Главная страница
Навигация по странице:

  • 2. Обзор существующих экспертных систем. 2.1 Экспертная система PROSPECTOR 2.1.1. Общие положения

  • 2.1.2. Подход к решению проблемы неопределенности в системе Prospector 2.1.2.1. Проблема с нечеткостью связей

  • 2.1.2.2. Проблема с неточностью данных

  • 2.1.3. Структура базы знаний. Алгоритм вывода

  • 2.1.4. Заключение

  • 2.2. Экспертная система MICIN 2.2.1. Общая характеристика

  • 2.2.2. Структура БЗ 2.2.2.1. Данные о пациенте

  • 2.2.2.2. Формат знаний о диагностике

  • 2.2.3. Механизм вывода

  • 2.2.4. Заключение

  • Обзор экспертных систем. Экспертные системы (ЭС)


    Скачать 228.5 Kb.
    НазваниеЭкспертные системы (ЭС)
    Дата10.08.2018
    Размер228.5 Kb.
    Формат файлаdoc
    Имя файлаОбзор экспертных систем.doc
    ТипДокументы
    #49071

    Введение


    Экспертные 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 системы

    1.1 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:

    1. Использование знаний, связанных с конкретной предметной областью;

    2. Приобретение знаний от эксперта;

    3. Определение реальной и достаточно сложной задачи;

    4. Наделение системы способностями эксперта.

    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 системы


    Структура экспертной системы представлена следующими структурными элементами:

    1. База знаний – механизм представления знаний в конкретной предметной области и управления ими;

    2. Механизм логических выводов – делает логические выводы на основании знаний, имеющихся в базе знаний;

    3. Пользовательский интерфейс – используется для правильной передачи ответов пользователю;

    4. Модуль приобретения знаний – служит для получения знаний от эксперта, поддержки базы знаний и дополнения ее при необходимости;

    5. Модуль советов и объяснений – механизм, способный не только давать заключение, но и представлять различные комментарии, прилагаемые к этому заключению, и объяснять его мотивы. В противном случае пользователю будет трудно понять заключение. Такое понимание необходимо, если заключение используется для консультации или оказании помощи при решении каких-либо вопросов. Кроме того, с его помощью эксперт определяет, как работает система, и позволяет точно выяснить, как используются знания, предоставленные им.



    1.3 Структура экспертной системы







    Модуль 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:

    1. 1)      оценка геологических ресурсов региона;

    2. 2)      оценка конкретной местности на предмет наличия полезных ископаемых;

    3. 3)      рекомендация мест для бурения.

    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:

    1. 1.      Принимает от пользователя (геолога-изыскателя) информацию о его наблюдениях в данной местности.

    2. 2.      Выбирает соответствующую геологическую модель; выясняет, какой информации недостаточно.

    3. 3.      Втягивает пользователя в диалог с целью получения недостающей информации.

    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:

    1. 1)      ведет диалог с пользователем на основе профессиональной терминологии;

    2. 2)      переформулирует вопросы, если это желательно пользователю;

    3. 3)      объясняет пользователю, если он пожелает, с какой целью задается вопрос;

    4. 4)      ищет противоречия в сообщениях пользователя и, при обнаружении, предлагает ему внести изменения;

    5. 5)      на основе информации, полученной от пользователя, выбирает геологическую модель, и в дальнейшем задает вопросы, имея целью либо подтвердить, либо опровергнуть гипотезу о наличии полезных ископаемых, соответствующих данной геологической модели;

    6. 6)      отвергает гипотезу, если это следует из ответов пользователя, выдвигает новую;

    7. 7)      предоставляет пользователю возможность "перебивать" себя, т.е. вводить любую информацию в любой момент, а также принудительно определить геологическую модель;

    8. 8)      в конце сеанса предлагает пользователю выводы и их обоснования.

    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:

    • -          соответствующее геологическое строение региона (3.576)

    • -          соответствующее петротектоническое окружение (3.333)

    • -          соответствующее интрузивное окружение для МПРА (1.683)

    Первые 4 наблюдения, поддерживающие гипотезу:

    • -          в исследуемом регионе есть : (5)

    • -          имеются : (5)

    • -          : (5)

    • -          : (5)

    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:

     

     

    Холодно (Х)

    Не холодно (ØХ)

    Снег есть (С)

    50

    10

    Снега нет (ØС)

    15

    25

     

    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:

    1. 1.      Геологические модели.

    2. 2.      Классификацию геологических понятий.

    Геологическая модель представляется в виде следующего дерева:

    У
    злами являются некоторые утверждения.

    Имеется три вида связей:

    1. 1)      следование E R H (правило продукции);

    2. 2)      логические связи И, ИЛИ, НЕ;

    3. 3)      контекстуальные - показывают, что некоторые соображения должны рассматриваться вне очереди, т.к. они имеют некоторое особое значение для цели; контекстуальные связи могут иметь иерархию.

    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:

    1. 1)      прямой вывод, управляемый данными - пользователь вводит информацию о каком-то наблюдении и по сети проходит волна изменений апостериорных шансов;

    2. 2)      обратный вывод, управляемый целью - система определяет вопрос, который нужно задать, чтобы в наибольшей степени повлиять на шансы цели.

    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:

    1. 1)      шансы цели настолько высоки, что система считает ее доказанной;

    2. 2)      шансы цели настолько низки, что система считает ее опровергнутой;

    3. 3)      заданы все возможные вопросы.

    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:

    1. 1.      Форма представления знаний не накладывает ограничений на содержание.

    2. 2.      Не является обязательным структурированное и единообразное описание предметной области.

    Недостатки:

    1. 1.        Отсутствует возможность явным образом обрабатывать каузальную информацию.

    2. 2.        Человеку свойственно, отвечая на вопрос, предполагать цель, с которой этот вопрос задается, и отвечать в соответствии с этим пониманием цели. Отсутствие каузального подхода приводит к тому, что он не всегда правильно понимает, "к чему клонит" система, и дает не вполне правильные ответы.

    Для эффективной работы пользователю желательно представлять не только окончательную, но и промежуточные цели:

    1. 1)      ЭС должна содержать соответствующие средства для ответа на вопрос пользователя о промежуточной цели и принудительного информирования о промежуточной цели;

    2. 2)      это не всегда возможно.


    2.2. Экспертная система MICIN

    2.2.1. Общая характеристика

    Назначение - диагностика и лечение инфекционных заболеваний.

    Неавтоматизированная технология:

    1. 1)      больной обращается с какими-то симптомами;

    2. 2)      производится сбор симптомов и простейших тестов;

    3. 3)      производится сбор стандартных анализов;

    4. 4)      производится поиск возможных инфекций: выращиваются культуры, среди которых могут быть искомые возбудители заболевания (отбирается небольшое количество среды организма и помещается в условия, благоприятные для роста и размножения бактерий), при выращивании культуры могут создаваться некоторые особые условия (например, отсутствие кислорода); выращенная культура рассматривается под микроскопом; делается вывод;

    5. 5)      принимается решение о лечении.

    При использовании системы MICIN:

    1. 1)      под каждого нового пациента создается новый раздел в базе;

    2. 2)      в него помещаются симптомы, результаты тестов;

    3. 3)      автоматически системой или принудительно пользователем выбирается цель в виде "имеется такой-то микроорганизм";

    4. 4)      система выводит вспомогательные цели и в конечном счете требует проведения определенных анализов; результаты анализов вводятся, система делает выводы, и, возможно, требует следующих анализов; параллельно система предлагает лечение.

    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:

    • -         контекст,

    • -         параметр,

    • -         значение,

    • -         показатель определенности (-1:1).

    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:

    Условие релевантности (предусловие)

    Антецедент (ЕСЛИ)

    Консеквент (ТО)

    Показатель мощности правила

    SAME(X) and not KNOW(X) and FLAGs

    X1 & X2 Ú X3

    Y1, Y2, :

    F1, :

    > 0

    £ 1

    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

    1. 1.      ASKFIRST - первоначальный опрос: вводятся данные, создаются триплеты.

    2. 2.      Процедура прямого вывода: срабатывают некоторые правила продукции:

    1. 1)      вычисляется ПО антецедента (по правилам нечеткой логики);

    2. 2)      вычисляется ПО для триплетов консеквента по правилу:

    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

    1. 3.      Запускается механизм обратного вывода, управляемый целью. Для целевых инфекций находятся такие правила, в которых данная цель находится в консеквенте; затем из антецедента выбираются промежуточные цели; процесс повторяется до тех пор, пока в качестве цели не будут выбраны те триплеты, которые связаны с проведением конкретных анализов.

    2. 4.      После получения новых данных прямой вывод может:

    1. 1)      изменить ПО целей;

    2. 2)      создать новые цели.

    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:

    1. 1.      Форма представления знаний не накладывает ограничений на содержание.

    2. 2.      Не является обязательным структурированное и единообразное описание предметной области.

    Недостатки:

    1. 1.        Отсутствует возможность явным образом обрабатывать каузальную информацию.

    2. 2.        Человеку свойственно, отвечая на вопрос, предполагать цель, с которой этот вопрос задается, и отвечать в соответствии с этим пониманием цели. Отсутствие каузального подхода приводит к тому, что он не всегда правильно понимает, "к чему клонит" система, и дает не вполне правильные ответы.

    Для эффективной работы пользователю желательно представлять не только окончательную, но и промежуточные цели:

    1. 1)      ЭС должна содержать соответствующие средства для ответа на вопрос пользователя о промежуточной цели и принудительного информирования о промежуточной цели;

    2. 2)      это не всегда возможно.


    Литература.



    написать администратору сайта