Второе поколение экспертных интеллектуальных систем (ЭИС)
ЭИС второго поколения – это динамические системы реального времени (ЭИС РВ) составили основное направление работ по созданию ЭИС в период 1996—2000 гг. Значимость инструментальных средств реального времени определяется тем, что только с помощью подобных средств создаются стратегически значимые приложения в таких областях, как управление непрерывными производственными процессами в химии, фармакологии, производстве цемента, продуктов питания и т.п., аэрокосмические исследования, транспортировка и переработка нефти и газа, управление атомными и тепловыми электростанциями, финансовые операции, связь и многие другие.
Классы задач, решаемых ИС (информационных систем) РВ (реального времени) , таковы: мониторинг в реальном масштабе времени, системы управления верхнего уровня, системы обнаружения неисправностей, диагностика, составление расписаний, планирование, оптимизация, системы-советчики оператора, системы проектирования.
Требования, предъявляемые к системам, работающим в реальном времени:
представлять изменяющиеся во времени данные, поступающие от внешних источников, обеспечивать хранение и анализ изменяющихся данных.
выполнять временные рассуждения о нескольких различных асинхронных процессах одновременно (т.е. планировать в соответствии с приоритетами обработку поступивших в систему процессов).
обеспечивать механизм рассуждения при ограниченных ресурсах (время, память). Реализация этого механизма предъявляет требования к высокой скорости работы системы, способности одновременно решать несколько задач.
обеспечивать "предсказуемость" поведения системы, т.е. гарантию того, что каждая задача будет запущена и завершена в строгом соответствии с временными ограничениями. Например, данное требование не допускает использования в экспертной системе реального времени механизма "сборки мусора", свойственного языку LISP.
моделировать "окружающий мир", рассматриваемый в данном приложении, обеспечивать создание различных его состояний.
протоколировать свои действия и действия персонала, обеспечивать восстановление после сбоя.
обеспечивать наполнение базы знаний для приложений реальной степени сложности с минимальными затратами времени и труда (необходимо использование объектно-ориентированной технологии, общих правил, модульности и т.п.).
обеспечивать настройку системы на решаемые задачи (проблемная/предметная ориентированность).
обеспечивать создание и поддержку пользовательских интерфейсов для различных категорий пользователей.
обеспечивать уровень защиты информации (по категориям пользователей) и предотвращать несанкционированный доступ.
Специфические требования, предъявляемые к ЭИС РВ, приводят к тому, что их архитектура отличается от архитектуры статических систем. В архитектуру ЭИС РВ введены новые компоненты - подсистемы моделирования внешнего мира, связи с внешним окружением, учета временной логики обрабатываемых событий. Эти системы обладают более удобными средствами взаимодействия. Они стали "активными" ЭИС, стали играть роль активного помощника пользователя (партнерские системы) или исполнительного механизма в автоматизированных системах управления (управленческие ЭИС).
Технология построения современных АСУ уже предусматривает обработку комплекса взаимоувязанных задач и потоков информации обрабатываемых процессов, что определило применение в них динамических ЭИС, обрабатывающих динамическую обстановку. Это потребовало более глубокой проработки методологических вопросов создания и применения ЭИС. В динамических системах результаты измерений множества параметров потоковой информации обрабатываются и выдаются оператору в виде информации о ходе функционирования АСУ, меньшей по объему, но более содержательной .
ЭИС РВ должны обеспечивать выполнение временного интервала, в течение которого реакция ЭИС на входное воздействие не превышает заданного значения (1 %, 5 % и т. д.), определяемого необходимой точностью моделирования конкретной АСУ (так называемого показателя постоянной реального времени — ПРВ). Так, например, для бортовых ЭИС РВ эта постоянная находится в интер вале микро- и миллисекунды, что требует оптимизации построения ЭИС, максимального учета специфики системы и решаемых в ней задач.
Данные системы обладают средствами самостоятельного извлечения знаний из данных, поступающих в систему в ходе ее создания и эксплуатации. На этом основании системы второго поколения способны обнаруживать противоречия между имеющимися и вновь поступающими знаниями и данными (проверка адекватности базы знаний) и частично обладают средством извлечения, представления и обработки нечетких неопределенных, неточных и недоопределенных знаний (так называемых знаний с НЕ-факторами).
Обработка нечетких знаний и создание нечетких ЭИС составляют основное содержание работ в области ЭИС в настоящее время. Область управления явилась одной из предпосылок возникновения идеи нечетких множеств [4], которая помогла решить проблему надежности в экспертных системах. Почти все ЭИС управления обеспечивают нечеткое управление. В области практического применения число нечетких ЭИС уже значительно превысило число традиционных ЭИС.
Основным отличием ЭИС РВ от экспертных систем первого поколения является интегрированность. На основе объединения с традиционными информационными технологиями они становятся гибридными системами (интеллектуальными комплексами моделирования), включающими эвристический компонент и комплекс имитационных моделей (расчетные методики, статистический анализ, математические модели, базы данных), что значительно расширяет их возможности и обеспечивает их синергетический (нелинейный) характер. Разработка двух тенденций по интеграции и децентрализации знаний позволила реализовать преимущество различных видов представления знаний и повысила качество и универсальность систем.
Предпочтение, отдаваемое схеме с использованием динамических моделей, объясняется, прежде всего, возможностью управления процессами перманентных изменений больших многоэлементных объектов, к которым можно отнести, например, регионы государства с их сложной инфраструктурой, системы, органы и пункты управления и др.
Создание таких систем привело к разработке нового подхода к математическому моделированию, позволяющему проводить качественное моделирование с использованием информации в виде фактов и данных. Такие комплексы включают расчетный (имитационный) компонент, обеспечивающий количественные решения, и эвристический (логический) компонент, позволяющий успешно решать качественные задачи.
Направление гибридных экспертных интеллектуальных систем
Направление гибридных ЭИС предполагает объединение процедурных методов моделирования с недетерминированными методами вывода, используемыми в технологии ЭИС. Причем ЭИС могут рассматриваться в составе моделирующих комплексов, а имитационные программы — в составе ЭИС как инструмент решения. Такой подход к созданию комплексов моделирования представляет новый подход к созданию и использованию математического и программного обеспечения.
В настоящее время при разработке ЭИС наметилась тенденция проведения их разработки без инженера по знаниям. Повсеместное применение персональных ЭВМ, повышение компьютерной грамотности экспертов-пользователей позволяют перейти к созданию ЭИС самими экспертами.
Ожидается, что накопление знаний путем непосредственного диалога с экспертом без вмешательства промежуточного элемента в создании ЭИС — инженера по знаниям, а также извлечения их из протоколов экспериментов, использование устного диалога, статей, инструкций, руководств, чертежей, схем будут основным направлением формирования знаний при построении перспективных ЭИС.
|
Первое поколение экспертных систем
Экспертные системы первого поколения (1985—1996 гг.) в основном содержат исследователь ские прототипы для исследования и обоснования теоретических ос нов искусственного интеллекта. Проводившиеся в этот период исследования носили фундамен тальный характер, направленный на исследование отдельных фраг ментов приобретения, представ ления и использования знаний, различных механизмов вывода. По каждому фрагменту было соз дано множество исследователь ских прототипов. Исследования проводились для статичных усло вий, где во многих ситуациях на блюдался "тривиальный эффект", поэтому сами ЭИС являлись статически ми системами. Провозглашалось, что технология ИИ при накопле нии определенного объема знаний позволяет самостоятельно решать различные задачи, при чем основное внимание своди лось к поиску универсальных методов решения.
Искусственный интеллект (ИИ)
За эти годы был накоплен солидный ба гаж методов и инструментальных средств, которые составили основу ИИ как научной дисциплины. Однако многообразие задач управления, для решения которых использо вались вычислительные средства, и их специфичность не позволи ли говорить о создании какой- либо универсальной технологии. Постепенно усилившаяся тен денция к созданию прикладных систем выявила неэффектив ность универсальных методов и потребовала притока новых идей, идущих в первую очередь от ре альных практических задач.
Экспертные системы первого поколения представляли собой системы с интеллектом пассивно го ассистента пользователя: они располагали только теми знания ми, которые были получены от экспертов, переработаны "инже нерами знаний" и введены в базу знаний в удобном для машины виде. Сис тема была способна манипулиро вать этими знаниями, имитируя процесс логического вывода, и выдавать ответы на запросы пользователя. Система не имела механизмов, которые позволяли бы ей критически оценивать вво димые в ее память знания, выяв лять в них противоречия, автома тически обнаруживать закономерности, использовать их для предсказания и извлекать новые знания из данных.
Экспертные системы первого поколения получили массовое распространение лишь в медицинской диагностике. В них нашли отражение фундаменталь ные медицинские знания и опыт врачей-профессионалов по учету существенных связей между бо лезнями и симптомами. Такие системы являлись электронными справоч никами, подготовленными опытны ми профессионалами, и использо вались для массового применения в процессе обучения медицинско го персонала. Дальнейшее разви тие медицинских ЭИС было связа но с использованием в них нечет ких выводов.
Значимость экспертных интеллектуальных систем первого поколения
Значимость ЭИС первого поколения заключается в том, что в них отработаны теоретические основы искусственного интеллек та и экспертных систем, методы внутреннего представления внеш него мира и логического вывода решений. Приобретенный опыт по конкретизации и углублению накопленных знаний явился необходимым трамплином для мас сового развертывания дальней ших работ по прикладному применению средств и методов искусственного интеллекта.
|
Третье поколение экспертных интеллектуальных систем (ЭИС)
Интеллектуальные интегрированные комплексы моделирования
В наше время происходит переход к разработке и применению ЭИС третьего поколения ( 2007—2010 гг.) - интеллектуальным интегрированным комплексам моделирования. Главный смысл смены концепций (парадигмы) создания ЭИС и использования средств ИИ — это переход от предположений, справедливых только для изолированных систем ИИ, и от индивидуальных, автономных систем к распределенной обработке информации и разработке мультиагентных ИС .
Главной особенностью перспективных систем является их распределенность, обеспечение обработки и применение распределенных знаний. Основой для создания перспективных ЭИС являются результаты, имеющиеся в области методов обнаружения закономерностей, распознавания образов, структурно-логического анализа данных и знаний, математической лингвистики, а также достигнутый опыт в разработке ЭИС. В создаваемых в настоящее время экспертных системах уже имеются отдельные вышеуказанные элементы.
Перспективные ЭИС (экспертные интеллектуальные системы) должны обеспечивать обработку смыслов, а не только знаний и данных. Эти системы могут анализировать фразы естественного языка и строить соответствующие их семантическому содержанию сетевые структуры. ЭИС становится способной понимать смысл сообщений, формируемых в естественной форме, и синтезировать фразы, относящиеся к данной предметной области. Для этих целей актуальной задачей становится разработка систем распознавания управленческих ситуаций. Важная ее особенность заключается в том, что результат распознавания должен отражать смысл ситуации, который в нее вкладывают пользователи, эксперты, лица, принимающие решение (ЛПР). Для решения данной проблемы подготовлена хорошая теоретическая и практическая базы в области искусственного интеллекта и накопленный опыт создания и использования ЭИС, в том числе извлечения смысловой информации из Internet .
Перспективная ЭИС (экспертная интеллектуальная система) должна строить модель исследуемой проблемной области, т. е. создавать ее теорию, строить модель пользователя (ученика, обучаемого) и модель самой себя, чтобы оптимизировать процесс формирования модели исследуемой операции (ситуации) в сознании обучаемого.
Логический вывод перспективных ЭИС позволит имитировать человеческую способность рассуждений по аналогии и находить близость анализируемой и эталонной ситуаций (с помощью набора уже исследуемых ситуаций и хранящихся в памяти ЭВМ). Такой прием позволяет существенно ускорить процесс логического вывода, особенно в больших базах знаний.
Блок анализа данных создаваемых систем должен обеспечивать обработку больших массивов разнотипных данных, представленных в триаде "объект—свойство—время". Программы распознавания позволяют в процессе обучения обнаруживать закономерные связи между описывающими и целевыми характеристиками объектов и использовать эти закономерности в процессе распознавания новых объектов. Перспективные ЭИС должны иметь средства автоматической поддержки и даже улучшения своих рабочих характеристик в ходе эксплуатации и поддержания гомеостатического состояния.
Главной отличительной функцией интеллектуальной гибридной экспертной системы является умение давать правильные предсказания, рекомендации на основе обработки поступающих данных и выявления устойчивых (закономерных) связей между характеристиками данных.
Возможный вариант перспективной ЭИС приведен на рисунке.
Перспективная экспертная интеллектуальная система
В настоящее время наблюдается этап активного развития интегрированных интеллектуальных инструментальных средств. В такой системе объединяются возможности ключевых современных информационных технологий:
методы искусственного интеллекта для полного и адекватного представления экспертных знаний о процессах на основе распределенной обработки знаний;
графический объектно-ориентированный язык для описания моделей и проектов;
средства анимации и имитационного моделирования исследуемых процессов.
Вариант перспективной экспертной системы приведен на рисунке
Таким образом, перспективная экспертная система представляет собой интегрированное интеллектуальное средство. Это самодостаточная графическая среда для разработки, внедрения и сопровождения в широком диапазоне условий. Для этих систем характерны следующие требования:
простота использования;
полнота средств имитационного моделирования;
возможность стыковки со средствами разработки приложений;
ускоренная разработка;
модульность построения;
возможность использования концепции открытых систем.
Принципы эффективного использования ЭИС
(экспертных интеллектуальных систем)
Для эффективного использования ЭИС в системах управления при их разработке реализуются три основных принципа:
простота и понятность моделей знаний, механизмов вывода и пользовательского интерфейса;
наличие разделяемых компонентов работы со знаниями и с выводами;
универсализм — возможность выбора различных моделей знаний, процедур вывода решений, методов накопления знаний, комбинации тех или иных методов и моделей при поиске решения конкретных задач. Достигнутый уровень использования ЭИС в системах управления позволил определить уровни сочетания эвристических форма лизованных способов представления инженерных знаний в зависимости от детализации описания объекта (системы). Чем выше уровень АСУ, тем в большей степени необходимо использовать экспертные системы. Если же объект проектирования не всегда имеет адекватное модельное представление на определенном иерархическом уровне (среднее звено АСУ), программное обеспечение должно разрабатываться в сочетании "жестких" и "мягких" алгоритмов. На уровнях, допускающих строгую формализацию процессов (нижний уровень АСУ), структура программного обеспечения выполняется на основе четких "жестких" алгоритмов, реализованных в традиционных системах.
Характеристики
|
ЭИС первого поколения
|
ЭИС второго поколения
|
Перспективные ЭИС
|
Способы извлечения знаний, структура баз знаний
|
"Инженер знаний", эмпири ческие знания эксперта
|
"Инженер знаний", исследова ния по автоматическому извле чению знаний из базы знаний
|
Автоматическое обнаружение из баз знаний (из текстов, руководств, инст рукций, схем и т.д.)
|
Типы баз знаний
|
Отдельные формы — продук ция, фреймы, семантические сети, решающие деревья
|
Работа с любыми формами знаний (библиотека знаний)
|
Библиотека форм знаний, имитационные модели, сценарии
|
Источник знаний
|
Эксперт
|
Эксперты, базы знаний
|
Базы знаний, данные, статистические или эмпирические таблицы триад объектов "объект — свойство — время"
|
Наличие базы данных
|
Отсутствует
|
Частично, базы данных из двух кодовых таблиц "объект — свойство"
|
БД из трех входовых таблиц "объект — свойство — время"
|
Логический вывод
|
Вывод по дедукции
|
Дедукция, нечеткие выводы, индукция, немонотонные рассуждения, частично рассужде ния по аналогии
|
Дедукция, индукция, немонотонные рассуждения, методы близости в пространстве знаний, рассуждения по аналогии
|
Язык общения с пользователем
|
Фразы и термины жесткой конструкции прикладной области
|
Проблемно-ориентированный естественный язык
|
Сценарии диалога, формирование терминологии под прикладную область и форм сообщений, понимание смысла сообщений
|
Устный диалог
|
Отсутствует
|
Ограниченный словарь
|
Словари по определяющим терминам прикладных областей в процессе обще ния и использования
|
Проверка адекватности баз знаний
|
Отсутствует
|
Частичная проверка непроти воречивости и полноты баз знаний
|
Проверка непротиворечивости, полноты, работа с информацией с НЕ-факторами (неопределенность, неполнота, неточность)
|
Прогнозирование недостающих данных в базе данных
|
Отсутствует
|
Исследования по автоматическому прогнозированию величин, отсутствующих в базе данных
|
Автоматическое прогнозирование величин, отсутствующих в базе данных
|
Модель пользователя Средства автоматического обеспечения работоспособности системы
|
Отсутствует
|
Обучение систем по адаптации под конкретного пользователя Частично обеспечивают автоматизацию в некоторых областях
|
Программы адаптации под конкретных пользователей и интерфейс с АСУ Программы гомеостата для определения работоспособности системы, обнаружения новых закономерностей и индикации сведений для пользователя
|
Выдаваемые результаты
|
Числовые данные, стандартные рекомендации
|
Числовые данные, рекомендации с сопровождающим пояс нением, обучение систем обнаружению новых закономер ностей
|
Числовые данные, рекомендации с сопровождающим пояснением, форму лирование обнаруженных новых законо мерностей, тенденций, графика, ани мация, диаграммы
|
Вид обрабатываемой информации
|
Статическая
|
Динамическая, статическая
|
Статическая, динамическая, потоковая, динамическая в АСУ
|
Объем эвристических знаний в базе знаний
|
Сотни правил
|
Тысячи правил
|
Десятки тысяч правил
|
Принцип построения и использования системы
|
Обособленное использование ЭИС для решения задачи
|
Гибридное построение ЭИС (эвристическая и имитационная компоненты)
|
Гибридные интеллектуальные нечеткие системы (интеллектуальные интегриро ванные комплексы моделирования), открытая система
|
Обработка распределенных знаний
|
Отсутствует
|
Исследования по построению распределенных ЭИС, разработка концепции
|
Распределение ЭИС, мультиагентные системы искусственного интеллекта
|
Функции системы
|
Пассивный помощник пользователя
|
Активный помощник поль зователя, отработка на стендах функций ЭИС по управлению исполнительными механизмами в АСУ
|
Управляющий орган исполнительными механизмами в АСУ, активный помощник пользователя
|
Ввод новых знаний, модификация знаний
|
В режиме ввода информации
|
В рабочем режиме ЭИС
|
В рабочем режиме ЭИС и АСУ
|
Запуск механизма вывода решения
|
По требованию пользователя
|
По требованиям, автоматически при смене входных данных
|
Автоматически, при смене ситуационных исходных данных, в том числе в АСУ
|
Объективизация субъективных данных
|
Отсутствует
|
Частично (в стадии исследований)
|
Методы нечеткого адаптивного управления
|
| |
Скачать 2.04 Mb.