Лекции по искуственному интеллекту. Классификация интеллектуальных информационных систем
 Скачать 286 Kb.
|
|
Идентификация проблемной области. Этап идентификации проблемной области включает определение назначения и сферы применения экспертной системы, подбор экспертов и группы инженеров по знаниям, выделение ресурсов, постановку и параметризацию решаемых задач. Начало работ по созданию экспертной системы инициируют руководители компаний (предприятий, учреждений). Обычно необходимость разработки экспертной системы в той или иной сфере деятельности связана с затруднениями лиц, принимающих решение, что сказывается на эффективности функционирования проблемной области. Эти затруднения могут быть обусловлены недостаточным опытом работы в данной области, сложностью постоянного привлечения экспертов, нехваткой трудовых ресурсов для решения простых интеллектуальных задач, необходимостью интеграции разнообразных источников знаний. Как правило, назначение экспертной системы связано с одной из следующих областей:
Сфера применения экспертной системы характеризует тот круг задач, который подлежит формализации, например, «оценка финансового состояния предприятия», «выбор поставщика продукции», «формирование маркетинговой стратегии» и т.д. Обычно сложность решаемых в экспертной системе проблем должна соответствовать трудоемкости работы эксперта в течении нескольких часов. Более сложные задачи имеет смысл разбивать на совокупности взаимосвязанных задач, которые подлежат разработке в рамках нескольких экспертных систем. Ограничивающими факторами на разработку экспертной системы выступают отводимые сроки, финансовые ресурсы и программно-техническая среда. От этих ограничений зависит количественный и качественный состав групп инженеров по знаниям и экспертов, глубина прорабатываемых вопросов, адекватность и эффективность решения проблем. Обычно три стратегии разработки экспертных систем: Стратегии разработки экспертных систем
После предварительного определения в контуре разрабатываемой экспертной системы инженеры по знаниям совместно с экспертами осуществляют более детальную постановку проблем и параметризацию системы. К основным параметрам проблемной области относятся следующие:
Построение концептуальной модели На этапе построения концептуальной модели создаете целостное и системное описание используемых знаний, отражающих сущность функционирования проблемной области. От качеств построения концептуальной модели проблемной области во многом зависит насколько часто в дальнейшем по мере развития проект будет выполнять перепроектирование базы знаний. Хорошая концептуальная модель может только уточнятся (детализироваться или упрощаться), но не перестраиваться. Результат концептуализации проблемной области обычно фиксируется в виде наглядных графических систем на объектном, функциональном и поведенческом уровнях моделирования:
Первые две модели описывают статические аспекты функционирования проблемной области, а третья модель – динамику изменения ее состояний. Естественно, что для различных классов задач могут требоваться разные виды моделей, а следовательно, и ориентированные на них методы представления знаний. Рассмотрим каждую из представленных видов моделей. Объектная модель отражает фактуальное знание о составе объектов, их свойств и связей. Элементарной единицей структурного знания является факт, описывающий одно свойство или одну связь объекта, который представляет в виде триплета: Предикат (объект, значение). Если предикат определяет название свойства объекта, то в качестве значения выступает конкретное значение этого свойства, например: Профессия («Иванов», «Инженер»). Если предикат определяет название связи объекта, то значению соответствует объект, с которым связан первый объект, например: Работает («Иванов», «Механический цех»). В качестве важнейших типизированных видов отношений рассматриваются следующие: “род**” - “вид” (обобщение); “целое” - “часть” (агрегация); “причина” - “следствие”; “цель” - “средство”; “функция” - “аргумент”; “ассоциация”; “хронология”; “пространственное положение” и др. Так, отношение обобщения (“род” - “вид”) фиксируется на уровне названия классов объектов, например: Есть – подкласс (инженеры, личности). Под классом объектов понимается совокупность объектов с одинаковым набором предикатов (свойств и связей). Класс объектов часто описывается в виде n-ного реляционного отношения, например: Личности (Ф.И.О., Профессия, Подразделение, …) Инженеры (Ф.И.О., ВУЗ, Оклад,…) Рабочие (Ф.И.О., Разряд, Тарифная ставка,…) При этом подклассы объектов автоматически наследуют общие свойства и связи вышестоящих классов, а совокупность взаимосвязанных по отношению обобщения классов объектов образует иерархию наследования свойств. Отношение агрегации классов объектов («Целое» - «Часть») отражает составные части объектов, которое можно представить в бинарном виде. На именах двух классов объектов: Есть – часть (Оборудование, Цех); Есть – часть (Рабочие, Цех). Аналогично представляются и другие семантические отношения:
Обычно объектное значение представляется графически средствами ER – моделей (модель «Сущность - Связь»). Функциональная модель – описывает преобразование фактов, зависимости между ними, показывающие, как одни факты образуются из других. В качестве единицы функционального знания определим функциональную зависимость фактов в виде импликации: А1_ΛА2_ΛА3_ΛАn_->B, Означающей, что факт В имеет место только в том случае, если имеет место конъюнкция фактов или их отрицаний А1, А2, …, Аn, например: Сбыт (Товар, «Слабый») и Прибыль (Товар, «Ничтожная») и Потребители (Товар, «Любители нового») и Число _конкурентов (Товар, «Небольшое») - > Жизненный _цикл (Товар, «Выведение на рынок»). Функциональную зависимость фактов можно трактовать как отношение следующих отношений фактов:
В качестве терминов конъюнкции фактов могут выступать более сложные логические условия. Функциональная модель строится путем последовательной декомпозиции целей, а именно: для цели определяются подцели, для которых в свою очередь устанавливаются подцели и т.д. пока в качестве подцелей не окажутся исходные факты (процесс декомпозиции «сверху» - «вниз»). Каждой цели (подцели) соответствует некоторая задача (подзадача), которая не может быть решена, пока не будут достигнуты ее нижестоящие подцели (решены подзадачи). Таким образом, функциональная модель отражает в обобщенной форме процесс решения характерных для нее задач. Обычно функциональные зависимости фактов представляются графически в виде деревьев или графов «И» - «ИЛИ» (см. рис.), в которых каждый зависимый факт представляет собой целевую переменную – корневую вершину, а определяющие его факты – аргументы – связанные с корнем подчиненные вершины, условия конъюнкции (совместности анализа факторов) обозначается пересекающей дугой, а условия дизъюнкции (независимостью влияния на цель факторов) никак не обозначаются, причем если какой либо факт-аргумент, в свою очередь определяется другими фактами-аргументами, то он становится подцелью. Поведенческая модель отражает изменения состояния объектов в результате возникновения некоторых событий, влекущих за собой выполнение определенных действий (процедур). Состояние объекта – это изменяющиеся во времени значения некоторого свойства. Набор действий, связанных с некоторым событием, составляет поведение объекта, которое выражается в виде правил или процедур. Задача определения поведенческой модели заключается в определении связей событий с поведением объектов и изменением их состояний. Как правило, событие отражается в форме сообщения, посылаемого объекту. Пример поведенческой модели в виде диаграммы потоков событий представлен в таблице:
СТРАТЕГИЯ ПРОИЗВОДСТВА    Жизненный цикл Конкурентоспособность Финансовое состояние         ПредприятияЧисло конкурентов цена Сбыт технико-эксплуатац. платежеспособность Хар-ки прибыль потребителя качество устойчивость Дерево целей – граф «И-ИЛИ» Формализация базы знаний На этапе формализации базы знаний осуществляется выбор метода представления знаний. В рамках выбранного формализма осуществляется проектирование логической структуры базы знаний. Рассмотрим классификацию методов представления знаний с точки зрения особенностей отображения различных видов концептуальных моделей, а именно: соотношения структурированности и операционности, детерминированности и неопределенности, статичности и динамичности знаний (см. рис.) Методы представления знаний     Степень структурированности знанияПравила Объекты   Степень Определенности степень операционности    (формальности)Логическая Модель (предикаты) Продуктивная модель Семантическая модель  Степень динамичности    Нечеткая логика Условные вероятности Фреймы    С тепень динамичностиСтатическая Динамическая Объектно-ориентир. модель   Классификация методов представления информации Так, объектные методы представления знаний в большей степени ориентированы на представление структуры фактуального знания, а правила – операционного.
Логическая модель предполагает унифицированное описание объектов и действий в виде предикатов первого порядка. Под предикатом понимается логическая функция на N – аргументах признаках, которая принимает истинное или ложное значение в зависимости от значений аргументов. Отличие заключается в том, что для объектов соответствующие реляционные отношения задаются явно в виде фактов, а действия описываются как правила, определяющие логическую формулу вывода фактов из других фактов. Пример фрагмента базы знаний подбора претендентов на вакансии в записи логического программирования ПРОЛОГ представлен на рис. (Обозначения “:” – “если”, “”– “и”, “.” – “конец утверждения”). Vibor (Fio, Dolgnost):- Pretendent (Fio, Obrasov, Stag), Vacancy (Dolgnost, Obrasov, Opyt), Stag>=Opyt. Pretendent («Иванов», «среднее»10). Pretendent («Петров», «высшее»12). Vacancy («менеджер», «высшее», 10). Vacancy («директор», «высшее», 15). Рис. Пример фрагмента базы знаний на языке ПРОЛОГ Механизм вывода осуществляет дедуктивный перебор фактов, относящихся к правилу по принципу «сверху - вниз», «слева - направо» или обратный вывод методом поиска в глубину. Так, в ответ на запрос Vibor (X, Y) получим: Х= «Петров», Y= «менеджер». Правила могут связываться в цепочки в результате использования одинакового предиката в посылке одного и в включении другого правила. Для логической модели характерна строгость формального аппарата получения решения. Однако, полный последовательный перебор всех возможных решений может приводить комбинаторным взрывам, в результате чего поставленные задачи могут решаться недопустимо большое время. Кроме того, работа с неопределенностями знаний должна быть запрограммирована в вид самостоятельных метаправил, что на практике затрудняет разработку баз знаний с помощью логического формализма. Продукционные модели используются для решения GOJK сложных задач, которые основаны на применении эвристических методов представления знаний, позволяющих настраивать механизм вывода на особенности проблемной области и учитывать неопределенность знаний. В продуктивной модели основной единицей знаний служит правило в виде: “если” <посылка>, то <заключение>, с помощью которого могут быть выражены пространственно-временные, причинно-следственные, функционально-поведенческие (ситуация, действие) отношения объектов. Правилами могут быть описаны сами объекты: «объект - свойство» или «набор свойств - объект», то чаще описания объектов фигурируют только в качестве переменных («атрибут - значение») внутри правил. В основном продукционная модель предназначена для описания последовательности различий ситуаций или действий и в меньшей степени для структурированного описания объектов. Продукционная модель предполагает более гибкую организацию работы механизма вывода по сравнению с логической моделью. Так, в зависимости от направления вывода возможна как прямая аргументация, управляемая данными (от данных к цели), так и обратная, управляемая целями (от цели к данным). Прямой вывод используется в продукционных моделях при решении, например, задач интерпретации, когда по исходным данным нужно определить сущность некоторой ситуации или в задачах прогнозирования, когда из описания некоторой ситуации требуется вывести все следствия. Обратный вывод применяется, когда нужно проверить определенную гипотезу или небольшое множество гипотез на соответствие фактам, например, в задачах диагностики. Отличительной особенностью продукционной модели является также способность осуществлять выбор правил из множества возможных на данный момент времени (из конфликтного набора) в зависимости от определенных критериев, например, важно трудоемкости, достоверности получаемого результата и других характеристик проблемной области. Такая стратегия поиска решений называется поиском в ширину. Для ее реализации в описании продукций вводится предусловия и постусловия в виде: импликация C->D определяет собой собственно правило; А – предусловие выбора класса правил; В – предусловие выбора правила в классе; Е – постусловие правила, определяющее переход на следующее правило. В предусловиях и постусловиях могут быть заданы дополнительные процедуры, например, по вводу и контролю данных, математической обработке и т.д. Введение предусловий и постусловий позволяет выбирать наиболее рациональную стратегию работы механизма вывода, существенно сокращая перебор относящихся к решению правил. Сами правила могут иметь как простой, так и обобщенный характер. Простые правила описывают продукции над единичными объектами, обобщенные правила определяются на классах объектов (аналогично правилам языка ПРОЛОГ). Для обработки неопределенности знаний продукционная модель использует, как правило, либо методы обработки условных вероятностей Байеса, либо методы нечеткой логики Заде. Байесовский подход предполагает начальное априорное задание предполагаемых гипотез (значений достигаемых целей), которые последовательно уточняются с учетом вероятностей свидетельств в пользу или против гипотез, в результате чего формируется апостериальные вероятности: P(H/E) = P(E/H)*P(H)/P(E) и P(^H/E) = P(E/^H)*P(^H)/P(E), Где P(H) – априорная вероятность гипотезы Н; P(^H) – 1-Р(Н) – априорная вероятность отрицания гипотезы Н; Р(Е) – априорная вероятность свидетельства Е; Р(Н/Е) – апостериорная (условная) вероятность гипотезы Н при условии, что имеет место свидетельство Е; P(^H,E) – апостериорная (условная) вероятность отрицания гипотезы Н при условии, что имеет место свидетельство Е; Р(Е,Н) – вероятность свидетельства гипотезы Е при отрицании гипотезы Н; Р(Е/^Н) – вероятность свидетельства гипотезы Е при отрицании гипотезы Н. Найдем отношения левых и правых частей представленных уравнений: Р(Н/Е) Р(Е/Н) Р(Н) --------- = ---------- * ------- или P(^P/E) P(E/^H) P(^H) O(H/E) = Ls * O(H), где О(Н) – априорные шансы гипотезы Н, отражающей отношение числа позитивных проявлений гипотезы к числу негативных; О(Н/Е) – апостериорные шансы гипотезы Н при условии наличия свидетельства Е; Ls – фактор достаточности, отражающий степень воздействия на шансы гипотезы при наличии свидетельства Е. Аналогично выводится зависимость: О(Н/^E) = Ln * O(H), где О(Н/Е) - апостериорные шансы гипотезы Н при условии отсутствия свидетельства Е; Ln - фактор необходимости, отражающий степень воздействия на шансы гипотезы при отсутствии свидетельства Е. Шансы и вероятности связаны уравнениями: Р О О = ----- и Р = ------ 1-Р О+1 Отсюда апостериорная вероятность гипотезы рассчитываете через апостериорные шансы, которые в свою очередь получаются перемножением априорных шансов на факторы достаточности или необходимости всех относящихся к гипотезе свидетельств зависимости от их подтверждения или отрицания со сторон пользователя. Свидетельства рассматриваются как независимые аргументы на дереве целей. Рассмотрим использование байесовского подхода на пример оценки надежности поставщика. Фрагмент подмножества правил представляется следующим образом: Если Задолженность = «есть», То Финансовое _ состояние = «удовл.» Ls = 0.01, Ln = 10 Если Рентабельность = «есть», То Финансовое _ состояние = «удовл.» Ls = 100, Ln = 0.001 Пусть оцениваемое предприятие является рентабельным и без задолженностей. Априорная вероятность удовлетворительного финансового состояния любого поставщика составляет 0.5. Тогда расчет апостериорных шансов и вероятности удовлетворительного финансового состояния осуществляется по формулам: О(Н/Е1,Е2) = 1* 10 * 100 = 1000; P(H/E1,E2) = 1000/1001 = 0.99. Для байесовского подхода к построению продукционной базы знаний характерна большая трудоемкость статического оценивания априорных шансов и факторов достаточности и необходимости.  |