Информационные технологии. Структура и особенности экспертных систем. Реферат ИТ Структура и особенности экспертных систем. Доцент Ю. В. Царев 2020 Структура и особенности экспертных систем. Перспективы и направления развития экспертных систем. Реферат по дисциплине История развития отрасли ягту 24. 02. 20 006 ИР

• Название: Доцент Ю. В. Царев 2020 Структура и особенности экспертных систем. Перспективы и направления развития экспертных систем. Реферат по дисциплине История развития отрасли ягту 24. 02. 20 006 ИР
• Анкор: Информационные технологии. Структура и особенности экспертных систем
• Дата: 22.05.2021
• Размер: 478.5 Kb.
• Имя файла: Реферат ИТ Структура и особенности экспертных систем.doc
• Тип: Реферат; #208252

Министерство науки и высшего образования РФ

Федеральное государственное бюджетное образовательное учреждение

высшего образования

«Ярославский государственный технический университет»

Кафедра «Информационные системы и технологии»


Реферат принят

с оценкой ____________

Преподаватель

канд. техн. наук,

доцент

___________ Ю.В. Царев

«__» __________2020


Структура и особенности экспертных систем. Перспективы и направления развития
экспертных систем.
Реферат по дисциплине

«История развития отрасли»
ЯГТУ 24.02.20 - 006 И/Р

Работу выполнил

студент группы ДСИТ-27

________П. П. Тимофеев

«___» _________ 2020
2020

Оглавление стр.

1. Определение и назначение экспертных систем 3

2. Участники экспертной системы 5

4. Основные этапы развития экспертных систем в 1970-2000 годы 7

5. Структура современной экспертной системы 8

7. Современные направления развития экспертных систем 15

9. Список использованной литературы 17

1. Определение и назначение экспертных систем

Экспертная система ˗ это программное средство, использующее ранее накопленные знания (экспертные знания) для обеспечения высокоэффективного решения неформализованных задач в узкой предметной области. Экспертные системы начали свое развитие в 70-х годах и сформировались как самостоятельное направление в начале 80-х годов в исследованиях по искусственному интеллекту, при решении трудных для человека задач.

Основная цель экспертных систем ˗ получение результатов, не уступающие по качеству и эффективности решениям получаемым человеком-экспертом. Экспертные системы используются для решения так называемых неформализованных задач, общим для которых является то, что:

• задачи не могут быть заданы в числовой форме;

• цели нельзя выразить в терминах точно определенной целевой функции;

• не существует алгоритмического решения задачи;

• если алгоритмическое решение есть, то его нельзя использовать из-за ограниченности ресурсов (время, память, объем данных).

Кроме этого, неформализованные задачи обладают ошибочностью, неполнотой, неоднозначностью и противоречивостью как исходных данных, так и знаний о решаемой задаче. Поэтому основой экспертных систем составляет база знаний о предметной области, которая накапливается в процессе построения и эксплуатации этой системы. Накопление и организация знаний ˗ важнейшее свойство всех экспертных систем.

Экспертные системы могут применяться для довольно широкого круга задач:

• 
  интерпретация, т. е. описание ситуации по наблюдаемым данным, определение смысла данных;
  
• 
  диагностика ˗ заключение о нарушениях в системе, составленное на основе наблюдений;
  
• 
  отладка, исправление неисправностей ˗ составление рекомендаций и выполнение последовательности действий по устранению неисправностей в системе;
  
• 
  мониторинг ˗ непрерывное сравнение результатов наблюдений с критическими точками плана;
  
• 
  прогноз ˗ предсказание будущих событий на основе анализа имеющихся данных о прошлом и настоящем;
  
• 
  проектирование, конструирование ˗ подготовка спецификаций для создания объектов с заранее определёнными свойствами;
  
• 
  планирование ˗ нахождение плана действий для достижения заранее поставленной цели;
  
• 
  обучение какой-либо дисциплине или приёмам использования чего-либо;
  
• 
  управление ˗ решение задач проектирования и планирования, а также интерпретации и диагностики с корректировкой имеющихся планов;
  
• 
  поддержка принятия решений ˗ помощь в формировании или выборе варианта действий среди множества альтернатив.
  

2. Участники экспертной системы

В обобщенном виде экспертная система включает следующих участников:

Эксперт ˗ это человек, способный ясно выражать свои мысли и пользующийся репутацией специалиста, умеющего находить правильные решения проблем в конкретной предметной области. Эксперт использует свои приемы и ухищрения, чтобы сделать поиск решения более эффективным, и экспертная система моделирует все его стратегии.

Инженер знаний ˗ человек, как правило, имеющий познания в информатике и искусственном интеллекте и знающий, как надо строить экспертную систему. Эта профессия появилась вместе с экспертными системами. Инженер знаний опрашивает экспертов, организует знания, решает, каким образом они должны быть представлены в системе, и может помочь программисту в написании программ.

Средство построения экспертных систем ˗ это программное средство, используемое инженером знаний или программистом для построения экспертных систем. Этот инструмент отличается от обычных языков программирования тем, что обеспечивает удобные способы представления сложных высокоуровневых понятий.

Пользователь ˗ это человек, который использует уже построенную экспертную систему. Так, пользователем может быть юрист, использующий ее для квалификации конкретного случая: студент, которому система помогает изучать информатику, на определенных этапах инженер знаний, другой эксперт и т. д.

3. Особенности экспертных систем

Особенности экспертных систем, отличающие их от обычных программ, заключаются в том, что они должны обладать следующими качествами.

1. Компетентностью, а именно:

• 
  достигать экспертного уровня решений, т.е. в конкретной предметной области иметь тот же уровень профессионализма, что и эксперты-люди;
  
• 
  быть умелой, т.е. применять знания эффективно и быстро, избегая, как и люди, ненужных вычислений;
  
• 
  иметь адекватную робастность (robustness), т.е. способность лишь постепенно снижать качество работы по мере приближения к границам диапазона компетентности или допустимой надёжности данных.
  

2. Возможностью к символьным рассуждениям, а именно:

• 
  представлять знания в символьном виде;
  
• 
  переформулировать символьные знания. На языке искусственного интеллекта символ – это строка знаков, соответствующая содержанию некоторого понятия. Символы объединяют, чтобы выразить отношения между ними. Когда отношения представлены в экспертной системе они называются символьными структурами.
  

3. Глубиной, а именно:

• 
  работать в предметной области, содержащей трудные задачи;
  
• 
  использовать сложные правила, т.е. использовать либо сложные конструкции правил, либо большое их количество.
  

4. Самосознанием, а именно:

• 
  исследовать свои рассуждения, т.е. проверять их правильность;
  
• 
  объяснять свои действия.
  

Существует ещё одна важная особенность экспертных систем. Если обычные программы разрабатываются так, чтобы каждый раз порождать правильный результат, то экспертные системы разработаны с тем, чтобы вести себя как эксперты. Они, как правило, дают правильные ответы, но иногда, как и люди, способны ошибаться.

4. Основные этапы развития экспертных систем в 1970-2000 годы

Впервые экспертные системы были представлены в 1965 году в ходе программы Heuristic Programming Project Стэнфордского университета под руководством Эдварда Альберта Фейгенбаума, которого и считают "отцом" экспертных систем. Вместе с профессором Джошуа Ледербергом и присоединившимся позднее профессором Брюсом Бучананом они начали работу над созданием информационной системы для определения структуры химических соединений.

Результатом работы была система под названием Dendral. В основе системы формировалась последовательность правил подобных к «IF – THEN». Информационная система не перестала развиваться и получила множество наследников, таких как ONCOIN – информационная система для диагностики раковых заболеваний, MYCIN – информационная система для диагностики легочных инфекционных заболеваний.

Следующим этапом стали 70-е годы. Период не выделялся особыми разработками. Было создано множество разных прототипов системы Dendral. Примером служит система PROSPECTOR, областью деятельности которой являлась геологические ископаемые и их разведка.

В 80-ых годах появляются профессия – инженер по знаниям. Экспертные системы набирают популярность и выходят на новый этап эволюции интеллектуальных систем. Появились новые медицинские системы INTERNIS, CASNE.

С 90-ых годов развитие интеллектуальных систем приобретает новые и новые методы и особенности. Нововведением становится парадигма проектирования эффективных и перспективных систем. Гибкость, четкость решения поставленных задач дало новое название – мультиагентных систем. Агент – фоновый процесс который действует в целях пользователя. Каждый агент имеет свою цель, «разум» и отвечает за свою область деятельности. Все агенты в совокупности образуют некий интеллект. Агенты вступают в конкуренцию, настраивают отношения, кооперируются.

5. Структура современной экспертной системы

В современных реалиях выделяют два типа экспертных систем: статические и динамические. Статические экспертные системы используются в тех приложениях, где можно не учитывать изменения окружающего мира, происходящие за время решения задачи. Первые экспертные системы, получившие практическое использование, были статическими. Динамические экспертные системы по сравнению со статическими содержат дополнительно два компонента: подсистему моделирования внешнего мира и подсистему взаимодействия с внешним миром.

На рисунке ниже представлена структура экспертной системы динамического типа по составу подсистем¹:



Пояснение к рисунку:

• 
  механизм логического вывода, называемый также интерпретатором, решателем;
  
• 
  рабочую память, называемую также рабочей базой данных;
  
• 
  база знаний (БЗ);
  
• 
  подсистема приобретения и пополнения знаний;
  
• 
  подсистема объяснения;
  
• 
  подсистема диалога;
  
• 
  подсистему взаимодействия с внешним миром.
  

Механизм логического вывода (МЛВ) предназначен для получения новых фактов на основе сопоставления исходных данных из рабочей памяти и знаний из базы знаний. Механизм логического вывода во всей структуре экспертной системы занимает наиболее важное место. Он реализует алгоритмы прямого и/или обратного вывода и формально может быть представлен четверкой:

<V,S,K,W> , где:

V – процедура выбора из базы знаний и рабочей памяти правил и фактов;

S – процедура сопоставления правил и фактов, в результате которой определяется множество фактов к которым применимы правила для присвоения значений;

K – процедура разрешения конфликтов, определяющая порядок использования правил, если в заключении правила указаны одинаковые имена фактов с разными значениями;

W – процедура, осуществляющая выполнение действий, соответствующих полученному значению факта (заключению правила).

Рабочая память предназначена для хранения исходных и промежуточных фактов решаемой в текущий момент задачи. Как правило, размещается в оперативной памяти ЭВМ и отражает текущее состояние предметной области в виде фактов с коэффициентами уверенности (КУ) в истинности этих фактов.

База знаний (cледующий элемент в структуре экспертной системы, который не менее важен, чем механизм логического вывода) предназначена для хранения долгосрочных фактов, описывающих рассматриваемую область, правил, описывающих отношения между этими фактами и других типов декларативных знаний о предметной области. Кроме правил и фактов, образующих декларативную часть базы знаний, в нее может входить процедурная часть – множество функций и процедур, реализующих оптимизационные, расчетные и другие требуемые алгоритмы. О базах знаний будет рассказано подробнее в следующем разделе.

Подсистема приобретения и пополнения знаний автоматизирует процесс наполнения экспертной системы знаниями, осуществляемый пользователем-экспертом, и адаптации базы знаний системы к условиям ее функционирования. Адаптация экспертной системы к изменениям в предметной области реализуется путем замены правил или фактов в базе знаний.

Подсистема объяснения объясняет, как система получила решение задачи (или почему она не получила решения) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату. Возможность объяснять свои действия является одним из самых важных свойств экспертной системы, так как:

• 
  повышается доверие пользователей к полученным результатам;
  
• 
  облегчается отладка системы;
  
• 
  создаются условия для пользователей по вскрытию новых закономерностей предметной области;
  
• 
  объяснение полученных выводов может служить средством поиска точки в парето-оптимальном множестве решений.
  

Структура экспертной системы была бы неполной без подсистемы диалога. Подсистема диалога ориентирована на организацию дружественного интерфейса со всеми категориями пользователей как в ходе решения задач, так и в ходе приобретения знаний и объяснения результатов работы.

6. Методы организации базы знаний

Экспертные системы относятся к классу интеллектуальных систем, основывающихся на понимании факта. Другими словами, экспертные системы основываются на знаниях специалиста-эксперта о предметной области. Высококачественный опыт наиболее квалифицированных специалистов, доступный для всех пользователей системы, становится фактором, резко повышающим качество принимаемых решений для организации, использующей экспертные системы в целом.

На рисунке ниже представлена примерная база знаний по приготовлению шашлыка:


Для организации базы знаний получили распространение четыре основных модели представления знаний:

Продукционная модель – в основе продукционной модели представления знаний находится конструктивная часть, продукция (правило):
IF <условие>, THEN <действие>.

В базе данных продукционной системы хранятся правила, истинность которых установлена к за ранее при решении определенной задачи. Правило срабатывает, если при сопоставлении фактов, содержащихся в базе данных с антецедентом правила, которое подвергается проверке, имеет место совпадение. Результат работы правила заносится в базу данных.

Диагноз	Температура	Давление	Кашель
Грипп	39	100-120	Есть
Бронхит	40	110-130	Есть
Аллергия	38	120-130	Нет

Семантическая модель – в основе семантической модели лежит ориентированный граф. Вершины графа – понятия, дуги – отношения между понятиями. Особенностью является наличие трех типов отношений:

• 
  класс – подкласс;
  
• 
  свойство – значение;
  
• 
  пример элемента класса.
  

Фреймовая модель – Предложил Марвин Мински в 1970 году. В основе фреймовой модели МПЗ лежит фрейм. Фрейм – это образ, рамка, шаблон, которая описывает объект предметной области, с помощью слотов.

Слот – это атрибут объекта. Слот имеет имя, значение, тип хранимых данных.

Демон – процедура автоматически выполняющаяся при определенных условиях. Имя фрейма должно быть уникальным в пределах одной фреймовой модели. Имя слота должно быть уникальным в пределах одного фрейма.



Модель знаний представляет собой сеть фреймов:



Формально логическая модель. В основе формально логической МПЗ лежит предикат первого порядка.

Подразумевается, что существует конечное, не пустое множество объектов предметной области. На этом множестве с помощью функций интерпретаторов установлены связи между объектами. В свою очередь на основе этих связей строятся все закономерности и правила предметной области.

Важное замечание: если представление предметной области не правильное, то есть связи между объектами настроены не верно или не в полной мере, то правильная работоспособность системы будет под угрозой.

Пример:

A1 = <идет дождь>

A2 = <небо в тучах>

A3 = <солнечно>;

IF A1 AND A2 THEN <взять зонтик>

7. Современные направления развития экспертных систем

В 21 веке, интеллектуальной системой уже не удивишь никого. Мы сталкиваемся с экспертными системами повсеместно даже того не подозревая. Поисковые системы Яндекс и Гугл, сервисы такси, навигаторы, сервисы контекстной рекламы – все это примеры экспертных систем работающих в быту, иногда без нашей прямой воли.

За ростом количества созданных экспертных систем следует рост объема инвестиций в их инфраструктуру и инструментарий. Активно развиваются технологий создания специализированных микросхем, оптимизированных для ускорения расчетов машинного обучения. Такие микросхемы работают с алгоритмами экспертных систем в сотни и тысячи раз быстрее, чем собрынные на обычных центральных процессорах суперкомпьютеры.

Экспертные системы активно проникают и в сферу развлечений. В 2018 году корпорацией NVidia была выпущена серия видеокарт GeForce RTX, включающая специализированные тензорные ядра, направленные на ускорение вычислений по технологии машинного обучения. В качестве презентации возможностей новинки, была продемонстрирована технология Deep Learning Anti-aliasing.


DLSS производит сглаживание изображения на экране монитора посредством алгоритмов машинного обучения, связанных с центральным сервером, который хранит базу информации об оптимальных техниках сглаживания для каждой видеоигры. Таким образом, экспертные системы становятся не только частью нашей повседневной работы, но и досуга.
Множество фирм внедряет экспертные системы в области своей деятельности. Быстродействующая система OMEGAMON разрабатывается c 2004 года с IBM, цель которой отслеживание состояния корпоративной информационной сети. Служит для моментального принятия решений в критических или неблагоприятных ситуациях.

G2 – экспертная система от фирмы Gensym, направленная на работу с динамическими объектами. Особенность этой системы состоит в том, что в нее внедрили распараллеливание процессов мышления, что делает ее быстрее и эффективней.
8. Заключение

Экспертные системы действительно имеют широкое применение в нашей жизни. Они позволяют экономить время реальных экспертов в определенной предметной области. Модели представления знаний это неотъемлемая часть интеллектуальных систем любого уровня. Поэтому, я считаю, что каждый уважающий себя IT-специалист, должен иметь даже поверхностные знания в этих областях.

9. Список использованной литературы

1. The Stanford Heuristic Programming Project: Goals and Activities. https://www.researchgate.net/publication/277176667_The_Stanford_Heuristic_Programming_Project_Goals_and_Activities

2. С. Хабаров. Введение в экспертные системы. Основные понятия и определения. http://www.habarov.spb.ru/new_es/exp_sys/es01/es1.htm

3. Проект «Портал искусственного интеллекта». Структура экспертной системы. http://www.aiportal.ru/articles/expert-systems/structure.html

4. Искусственный интеллект на практике: создаём экспертную систему для приготовления шашлыка. https://tproger.ru/articles/expert-systems/

5. Представления знаний в интеллектуальных системах, экспертные системы. Larka Ilya. https://habr.com/ru/post/346236/

1 Подсистема — это совокупность однородных взаимосвязанных элементов системы, обладающая свойствами системы, способная выполнять некоторые относительно независимые функции системы, ее подцели