Обзор экспертных систем. Экспертные системы (ЭС)
Скачать 228.5 Kb.
|
ВведениеЭкспертные системы (ЭС)- это набор программ, выполняющий функции эксперта при решении задач из некоторой предметной области. Они возникли как значительный практический результат в применении и развитии методов искусственного интеллекта (ИИ)- совокупности научных дисциплин, изучающих методы решения задач интеллектуального (творческого) характера с использованием ЭВМ. ЭС выдают советы, проводят анализ, дают консультации, ставят диагноз. Практическое применение ЭС на предприятиях способствует эффективности работы и повышению квалификации специалистов. Область ИИ имеет более чем сорокалетнюю историю развития. С самого начала в ней рассматривался ряд весьма сложных задач, которые, наряду с другими, и до сих пор являются предметом исследований: автоматические доказательства теорем, машинный перевод (автоматический перевод с одного естественного языка на другой), распознавание изображений и анализ сцен, планирование действий роботов, алгоритмы и стратегии игр. ЭС выдают советы, проводят анализ, дают консультации, ставят диагноз. Практическое применение ЭС на предприятиях способствует эффективности работы и повышению квалификации специалистов. Главным достоинством экспертных систем является возможность накопления знаний – формализованной информации, на которую ссылаются или используют в процессе логического вывода, и сохранение их длительное время. В отличие от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы. При решении задач, требующих обработки большого объема знаний, возможность возникновения ошибки при переборе очень мала. Экспертная система состоит из базы знаний (части системы, в которой содержатся факты), подсистемы вывода (множества правил, по которым осуществляется решение задачи), подсистемы объяснения, подсистемы приобретения знаний и диалогового процессора. При построении подсистем вывода используют методы решения задач искусственного интеллекта. 1. Экспертные системы1.1 Экспертные системы, их особенности. Применение экспертных систем.Экспертная система – это интеллектуальная программа, способная делать логические выводы на основании знаний в конкретной предметной области и обеспечивающая решение специфических задач. Для этого ее необходимо наделить функциями, позволяющими решать задачи, которые в отсутствие эксперта (специалиста в данной конкретной предметной области) невозможно правильно решить. Поэтому необходимым этапом в ее разработке является приобретение соответствующих знаний от эксперта. К экспертным системам предъявляются следующие требования:
Знания о предметной области, необходимые для работы ЭС, определенным образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться и дополняться в процессе развития системы. Главное достоинство ЭС - возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов. Накопление знаний позволяет повышать квалификацию специалистов, работающих на предприятии, используя наилучшие, проверенные решения. 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. 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 применяться 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). 1.2 Структура экспертной системыСтруктура экспертной системы представлена следующими структурными элементами:
1.3 Структура экспертной системыМодуль советов и объяснений Пользовательский интерфейс 2. Обзор существующих экспертных систем. 2.1 Экспертная система PROSPECTOR 2.1.1. Общие положения Назначение - консультирование геолога изыскателя по трем основным вопросам:
Принцип использования. Система включает в себя несколько автономных компонентов БЗ (геологических моделей). Их количество в системе может неограниченно изменяться. Каждая геологическая модель содержит знания, касающиеся совершенно определенного вида полезных ископаемых и служащих для ответа на вопрос: есть ли в данной местности данное полезное ископаемое? При этом система действует в следующей последовательности:
Характерная особенность геологических знаний - это их нечеткость и неполнота. Хотя геологическая наука располагает подробной классификацией геологических пород, структур и т.д., а также в целом хорошо описаны процессы рудообразования, но она (геологическая наука) не дает удовлетворительных технологий для получения ответа на вышеуказанный вопрос. Особенности стиля взаимодействия с пользователем:
Пример диалога (курсивом в нем выделены сообщения или вопросы пользователя, а за знаком ";" следует комментарий): ----------------------------------------------------------------------------------------------------------------- 1: Присутствуют дайки (Дайки) (5) ; оценка достоверности по шкале (-5:5) 2: Присутствуют А ; далее А:Я - какие-то геологические понятия (А) (5) 3: Возможно, есть сиендиорит (Монцонит) (3) ; система использовала другой термин-синоним 4: Возможно, есть некоторое количество Б (Б) (2) : 13: Все ; ввод закончен Я рассматриваю возможность крупного : (КСМ) 14: До какой степени вы уверены, что (вулканическая провинция) :? ?: ; пользователь ждет разъяснения вопроса : 16: До какой степени вы уверены, что В заполняет Г в Д? -5 ; ответ приводит к отвержению гипотезы о КСМ 17: Я рассматриваю возможность : (МПРА) 18: До какой степени вы уверены, что : : 28: До какой степени вы уверены, что : Почему? ; пользователь пытается выяснить цель вопроса Я пытаюсь определить картину : : 32: До какой степени вы уверены, что Е? ; Е - это Б из 4-го вопроса 4 Этот ответ противоречит ответу на вопрос 4. Вы хотите изменить ответ на вопрос 32? Нет (Е) (4) 33: До какой степени вы уверены, что: : 78: По шкале -5:5 наша уверенность, что (МПРА), равна 1.683 Основные заключения в пользу гипотезы:
Первые 4 наблюдения, поддерживающие гипотезу:
У меня есть еще много аргументов в пользу гипотезы. Приводить ли их? Хватит 2.1.2. Подход к решению проблемы неопределенности в системе Prospector 2.1.2.1. Проблема с нечеткостью связей Пример. Необходимо поздней осенью, посмотрев в окно, определить, холодно или нет, исходя из того, выпал снег или нет. Имеются результаты многолетних наблюдений в среднем на 100 случаев:
В общем случае имеем E R H, где Е - посылка, H - гипотеза. Для нашего примера имеем: С R Х. P(H½E) - вероятность гипотезы при наличии посылки; P(H½ØE) - вероятность гипотезы при отсутствии посылки. , (1) , (2) Теперь разделим (1) на (2): . Шанс , , O(H) - априорные шансы гипотезы. LS показывает, во сколько раз возрастают шансы гипотезы, если наблюдение имеет место. . . LS называется коэффициентом достаточности посылки E для того, чтобы была верна гипотеза H. LN называется коэффициентом необходимости. LS > 1 Û LN < 1 LS < 1 Û LN > 1 - не используется в системе Prospector LS = 1 Û LN = 1 - не используется в системе Prospector Неправильным с точки зрения данной модели является утверждение типа: "Если E присутствует, то это говорит в пользу гипотезы H, а если E отсутствует, то это ни о чем не говорит." Нет жесткой математической взаимосвязи между LS и LN. Хотя, если LS возрастает, то LN убывает, и наоборот. 2.1.2.2. Проблема с неточностью данных В системе Prospector имеется сеть утверждений: каждое предыдущее является посылкой для следующего. При расчете шансов необходимо добиться согласованности с точки зрения теории вероятности при том, что коэффициенты LS, LN и априорные шансы (OH(0)) назначаются экспертно. OH = OH(0) × K1 × K2 × : × Kn O(Ei) = 0 (P=0) R Ki = LNi O(Ei) = ч (P=1) R Ki = LSi O(Ei) = OEi(0) R Ki = 1 Зависимость между Ki и P(Ei) изображается с помощью следующего графика: ; . Т аким образом, если E - наблюдение пользователя, то Ki рассчитываются с помощью следующего рисунка: 2.1.3. Структура базы знаний. Алгоритм вывода БЗ включает следующие основные компоненты:
Геологическая модель представляется в виде следующего дерева: У злами являются некоторые утверждения. Имеется три вида связей:
Состав узлов в каждой ГМ устанавливает разработчик и он не может быть изменен никем. LS и LN устанавливаются экспертами и могут изменяться эксплуатантами. Вывод осуществляется в двух режимах:
Поиск по дереву осуществляется по принципу "сначала вглубь". Ищется максимум величины , где OцГ - гипотетические, а OцТ - текущие шансы цели. После того, как обратным выводом найден вопрос, он задается пользователю, принимается ответ и далее прямым выводом пересчитываются шансы, включая шансы цели. Процесс заканчивается в следующих случаях:
Неявные связи между узлами (связи через классификацию). Если явно получены шансы от 29-го узла, то это должно сказаться и на шансах 90-го узла. Средство для преодоления проблемы должно быть выбрано так, чтобы избежать возникновения ложной или абсурдной информации. Н апример, если использовать средство типа текстового процессора и делать подстановки типа "ПИРИТ < СУЛЬФИД", то возможна следующая ситуация: фраза "Напоминает по цвету ПИРИТ :" может преобразоваться во фразу "Напоминает по цвету СУЛЬФИД". Для решения этой проблемы в PROSPECTOR'е используется следующая классификация геологических понятий: Д ля наследования одним узлом сведений о другом необходимо одновременное наследование по структуре, возрасту и материалу, причем наследование происходит снизу вверх. Наследуется показатель уверенности С, который определяется по следующей шкале: Если наследующий узел уже имеет некоторую апостериорную степень уверенности, то из двух выбирается большее. В пределах одной геологической модели, как правило, удобнее задавать подобные связи явно. 2.1.4. Заключение Сеть, используемая для вывода, является не концептуальной, а эмпирической. В ней присутствуют, в первую очередь, элементы опыта экспертов, а также и теоретические положения, однако все равно с поправками на необходимость и достаточность. Достоинства:
Недостатки:
Для эффективной работы пользователю желательно представлять не только окончательную, но и промежуточные цели:
2.2. Экспертная система MICIN 2.2.1. Общая характеристика Назначение - диагностика и лечение инфекционных заболеваний. Неавтоматизированная технология:
При использовании системы MICIN:
2.2.2. Структура БЗ 2.2.2.1. Данные о пациенте Данные о пациенте образуют так называемое контекстное дерево, структура которого унифицирована для всех больных: Н епосредственные данные (листья дерева) имеют форму триплетов, каждый из которых состоит из четырех компонентов:
Например: Контекст : "Культура ©143" Параметр : "Анаэробность" Значение : "Присутствует" ПО : 0,48 Триплеты, которые не созданы, автоматически имеют ПО = 0. 2.2.2.2. Формат знаний о диагностике Используется продукционная система:
Имеются три системных предиката (X - триплет): SAME(X) = Истина, если | ПО(X) | > 0,2 KNOW(X) = Истина, если | ПО(X) | ³ 0,8 DEFINITE(X) = Истина, если | ПО(X) | = 1 2.2.3. Механизм вывода
DПОy = (1+sign(ПОx))×ПОx×ПМ Таким образом срабатывают все релевантные правила, которые не управляются особой структурой. Возникают цели - инфекции, ПО которых соответствует условию: 0,2 < | ПО | < 0,8
Процесс заканчивается, когда не остается ни одного релевантного правила. 2.2.4. Заключение Аналогично PROSPECTOR, сеть, используемая для вывода, является не концептуальной, а эмпирической. В ней присутствуют, в первую очередь, элементы опыта экспертов, а также и теоретические положения, однако все равно с поправками на необходимость и достаточность. Достоинства:
Недостатки:
Для эффективной работы пользователю желательно представлять не только окончательную, но и промежуточные цели:
Литература. |