Главная страница
Навигация по странице:

  • МИНИСТЕРСТВО ЗДРАВООХРАНЕНИЯ РК КАЗАХСКИЙ НАЦИОНАЛЬНЫЙ МЕДИЦИНСКИЙ УНИВЕРСИТЕТ ИМЕНИ С.Д.АСФЕНДИЯРОВА Тема

  • №13. Интеллектуальные системы Цель

  • Методы обучения и преподавания

  • САМООБУЧАЮЩИЕСЯ СИСТЕМЫ

  • АДАПТИВНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ В процессе разработки адаптивных информационных систем применяется оригинальное или типовое проектирование. Оригинальное

  • Характеристики экспертных систем По способу решения

  • По типу поддержки решения

  • Системы, предлагающие лучшую стратегию.

  • В консультационной системе

  • Автоматические системы напоминания

  • Состав экспертных систем

  • Система объяснения принятых решений

  • Примеры применения экспертных систем

  • Интеграция в медицинскую информационную систему.

  • Польза использования экспертных систем

  • Постоянство.

  • Устойчивость и воспроизводимость

  • Стоимость

  • Контроль Вопросы

  • Тесты

  • 15 линей рус. Министерство здравоохранения рк казахский национальный медицинский университет имени с. Д. Асфендиярова


    Скачать 0.54 Mb.
    НазваниеМинистерство здравоохранения рк казахский национальный медицинский университет имени с. Д. Асфендиярова
    Дата07.07.2022
    Размер0.54 Mb.
    Формат файлаdoc
    Имя файла15 линей рус.doc
    ТипДокументы
    #626620

    ҚР ДЕНСАУЛЫҚ САҚТАУ МИНИСТРЛІГІ

    С.Д.АСФЕНДИЯРОВ АТЫНДАҒЫ

    ҚАЗАҚ ҰЛТТЫҚ МЕДИЦИНА УНИВЕРСИТЕТІ



    МИНИСТЕРСТВО ЗДРАВООХРАНЕНИЯ РК

    КАЗАХСКИЙ НАЦИОНАЛЬНЫЙ МЕДИЦИНСКИЙ УНИВЕРСИТЕТ ИМЕНИ С.Д.АСФЕНДИЯРОВА




    Тема №13. Интеллектуальные системы

    Цель: Ознакомить с современными представлениями о проектировании и разработке интеллектуальных систем, основанных на знаниях.

    Задачи обучения: Формирование понятий об основах введения в искусственный интеллект; о структуре и классификаций, технологий разработки экспертных систем.

    Основные вопросы темы:

        1. История развития искусственного интеллекта.

        2. Направления искусственного интеллекта.

        3. Классификация ИИС.

        4. Обощенная структура экспертной системы.

        5. Основные понятия и определения.

        6. Классификация экспертных систем.

        7. Состав экспертных систем.

    Методы обучения и преподавания: беседа, дискуссия

    Информационно-дидактический блок.

    Краткая теория


    Идея создания искусственного подобия человеческого разума для решения сложных задач и моделирования мыслительной способности витала в воздухе с древнейших времен. Впервые ее выразил Р. Луллий, который еще в XIV в. пытался создать машину для решения различных задач на основе всеобщей классификации понятий.

    В XVIII в. Г. Лейбниц (1646 - 1716) и Р. Декарт (1596- 1650) независимо друг от друга развили эту идею, предложив универсальные языки классификации всех наук. Эти идеи легли в основу теоретических разработок в области создания искусственного интеллекта.

    Развитие искусственного интеллекта как научного направления стало возможным только после создания ЭВМ. Это произошло в 40-х гг. XX в. В это же время Я. Винер (1894 - 1964) создал свои основополагающие работы по новой науке — кибернетике.

    Термин искусственный интеллект (artificial intelligence) предложен в 1956 г. на семи­наре с аналогичным названием в Станфордском университете (США). Семинар был по­священ разработке логических, а не вычислительных задач. Вскоре после признания ис­кусственного интеллекта самостоятельной отраслью науки произошло разделение на два основных направления: нейрокибернетику и кибернетику "черного ящика". И только в на­стоящее время стали заметны тенденции к объединению этих частей вновь в единое целое,

    Основную идею нейрокибернетики можно сформулировать следующим обра­зом. Единственный объект, способный мыслить, — это человеческий мозг. Поэтому любое "мыслящее" устройство должно каким-то образом воспроизводить его структуру.

    Таким образом нейрокибернетика ориентирована на аппаратное моделирование структур, подобных структуре мозга. Физиологами давно установлено, что основой чело­веческого мозга является большое количество (до 1021) связанных между собой и взаи­модействующих нервных клеток — нейронов. Поэтому усилия нейрокибернетики были сосредоточены на создании элементов, аналогичных нейронам, и их объединении в функ­ционирующие системы. Эти системы принято называть нейронными сетями, или нейросетями.

    Первые нейросети были созданы в конце 50-х гг. американскими учеными Г.Розенблаттом и П. Мак-Каллоком. Это были попытки создать системы, моделирующие челове­ческий глаз и его взаимодействие с мозгом. Устройство, созданное ими, получило название перцептрона. Оно умело различать буквы алфавита, но было чувствительно к их написа­нию, например, буквы А, А и А для этого устройства-были тремя разными знаками. Постепенно в 70-80 гг. количество работ по этому направлению искусственного интел­лекта стало снижаться. Слишком неутешительны, оказались первые результаты. Авторы объясняли неудачи малой памятью и низким быстродействием существующих в то компьютеров.

    Однако в середине 80-х гг. в Японии в рамках проекта разработки компьютера V поколения, основанного на знаниях, был создан компьютер VI поколения, или нейрокомпьютер. К этому времени ограничения по памяти и быстродействию были практически сняты. Появились транспьютеры — параллельные компьютеры с большим количеством процессоров. От транспьютеров был один шаг до нейрокомпьютеров, моделирующих структуру мозга человека. Основная область применения нейрокомпьютеров — распознавание образов.

    Интеллектуальные информационные системы проникают во все сферы нашей жизни, поэтому трудно провести строгую классификацию направлений, по которым ведутся активные и многочисленные исследования в области ИИ. Рассмотрим кратко некоторые из них. Разработка интеллектуальных информационных систем или систем, основанных на знаниях. Целью построения таких систем являются выявление, исследование и применение знаний высококвалифицированных экспертов для решения сложных задач, возникающих на практике. В данной области исследований осуществляется разработка моделей представления, извлечения и структурирования знаний, а также изучаются проблемы создания баз знаний (БЗ), образующих ядро СОЗ ( основанных на знаниях). Частным случаем СОЗ являются экспертные системы (ЭС). Программное обеспечение систем ИИ. Включают специальные языки программирования, ориентированные на обработку символьной информации (LISP, SMALLTALK, РЕФАЛ), языки логического программирования (PROLOG), языки представления знаний (OPS 5, KRL, FRL), интегрированные программные среды, содержащие арсенал инструментальных средств для создания систем ИИ (КЕ, ARTS, GURU, G2), а также оболочки экспертных систем (BUILD, EMYCIN, EXSYS Professional, ЭКСПЕРТ), которые позволяют создавать прикладные ЭС, не прибегая к программированию.






    КЛАССИФИКАЦИЯ ИИС

    И нтеллектуальная информационная система (ИИС) основана на концепции использования базы знаний для генерации алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей. Интеллектуальные информационные системы делятся на:

    • коммуникативные способности - способ взаимодействия конечного пользователя с системой;

    • решение сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний;

    • способность к самообучению — умение системы автоматически извлекать знания из накопленного опыта и применять их для решения задач;

    • адаптивность — способность системы к развитию в соответствии с объективными изменениями области знаний.

    Системы с интеллектуальным интерфейсом




    • Интеллектуальные базы данных. Позволяют в отличие от традиционных БД обеспечивать выборку необходимой информации, не присутствующей в явном виде, а выводимой из совокупности хранимых данных.

    • Естественно-языковой интерфейс. Применяется для доступа к интеллектуальным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд в системах управления, машинного перевода с иностранных языков.

    • Гипертекстовые системы. Используются для реализации поиска по ключевым словам в базах данных с текстовой информацией.

    • Системы контекстной помощи. Относятся к классу систем распространения знаний. Такие системы являются, как правило, приложениями к документации. Системы контекстной помощи — частный случай гипертекстовых и ЕЯ-систем. В них пользователь описывает проблему, а система на основе дополнительного диалога конкретизирует ее и выполняет поиск относящихся к ситуации рекомендаций.

    • Системы когнитивной графики. Позволяет в наглядном и выразительном виде представить множество параметров, характеризующих изучаемое явление, освобождает пользователя от анализа тривиальных ситуаций, способствует быстрому освоению программных средств и повышению конкурентоспособности разрабатываемых ИИС.

    Четыре класса ЭС: Классифицирующие, доопределяющие, трансформирующие и мультиагентные.

    • Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в таких системах является дедуктивный логический вывод.

    • Доопределяющие ЭС используются для решения задач с не полностью определенными данными и знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний и выбора альтернативных направлений поиска в пространстве возможных решении. В качестве методов обработки неопределенных знаний могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика).

    • Трансформирующие ЭС относятся к синтезирующим динамическим ЭС, в которых предполагается повторяющееся преобразование знаний в процессе решения задач

    • Мультиагентые системы - это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми результатами в ходе решения задач.

    ЭС принадлежат к классу систем искусственного интеллекта

    Самые важные области применения ЭС:

    • неотложные и угрожающие состояния;

    • дефицит времени;

    • ограниченные возможности обследования;

    • скудная клиническая симптоматика;

    • быстрые темпы развития заболевания.

        Работа с ЭС может вестись удаленно

    Основные участники создания медицинских ЭС:

    • врач;

    • математик;

    • программист.

     Основная роль - врача – постановщик задач.

    Области применения ЭС. Система MYCIN, которую считают сейчас классической, диагностирует бактериальные инфекции крови и дает рекомендации относительно терапии.     По типу MYCIN построена система PUFF, которая предназначена для диагностики заболеваний легких. Практика показала, что MYCIN и PUFF, могут заменить человека в ряде областей, хотя их возможности и ограничены.
    САМООБУЧАЮЩИЕСЯ СИСТЕМЫ

    Основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода.



    • Индуктивные системы позволяют обобщать примеры на основе принципа индукции «от частного к общему». Процедура обобщения сводится к классификации примеров по значимым признакам.

    • Нейронные сети. Нейронные сети - обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, «узнавая» впоследствии черты встреченных образцов и ситуаций. Благодаря этой способности нейронные сети используются при решении задач обработки сигналов и изображений, распознавания образов, а также для прогнозирования.

    • Нейронная сеть — это кибернетическая модель нервней системы, которая представляет собой совокупность большого числа сравнительно простых элементов — нейронов, топология соединения которых зависит от типа сети.

    • В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты).

    • Прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска.

    • Системы, основанные на прецедентах, применяются для распространения знаний и в системах контекстной помощи.


    АДАПТИВНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ

    В процессе разработки адаптивных информационных систем применяется оригинальное или типовое проектирование. Оригинальное проектирование предполагает разработку информационной системы с «чистого листа» на основе сформулированных требований. Реализация этого подхода основана на использовании систем автоматизированного проектирования, или CASE-технологий (Designer2000, SilverRun, Natural Light Storm и др.). При типовом проектировании осуществляется адаптация типовых разработок к особенностям проблемной области. Для реализации этого подхода применяются инструментальные средства компонентного {сборочного) проектирования информационных систем (R/3, BAAN IV, Prodis и др.). Главное отличие подходов состоит в том, что при использовании CASE-технологии на основе репозитория при изменении проблемной области каждый раз выполняется генерация программного обеспечения, а при использовании сборочной технологии - конфигурирование программ и только в редких случаях - их переработка.

    • Разработка естественно-языковых интерфейсов и машинный перевод.Системы машинного перевода с одного естественного языка на другой обеспечивают быстроту и систематичность доступа к информации, оперативность и единообразие перевода больших потоков (научно-технических текстов), базируются на структурно-логическом подходе, включающем последовательный анализ и синтез естественно-языковых сообщений

    • Генерация и распознавание речи. Системы речевого общения создаются в целях повышения скорости ввода информации в ЭВМ, разгрузки зрения и рук, а также для реализации речевого общения на значительном расстоянии. В таких системах подтекстом понимают фонемный текст (как слышится).

    • Обработка визуальной информации. Задача обработки изображений связана с трансформированием графических образов, результатом которого являются новые изображения

    При синтезе изображений на вход системы поступает алгоритм построения изображении, а выходными данными являются графические объекты (системы машинной графики).

    • Обучение и самообучение. Эта актуальная область ИИ включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний с использованием процедур анализа и обобщения данных {появившиеся системы добычи данных (Data-raining) и системы поиска закономерностей в компьютерных базах данных (Knowledge Discovery)}.

    • Распознавание образов.В котором распознавание объектов осуществляется на основании применения специального математического аппарата, обеспечивающего отнесение объектов к классам, а классы описываются совокупностями определенных значений признаков.

    • Игры и машинное творчество. Машинное творчество охватывает сочинение компьютерной музыки, стихов, интеллектуальные системы для изобретения новых объектов

    Кроме того, компьютерные игры предоставляют мощный арсенал разнообразных средств, используемых для обучения. Интеллектуальные роботы. используются программируемые манипуляторы с жесткой схемой управления, названные роботами первого поколения.
    Экспертная система

    Экспертная система (ЭС) — это система, обеспечивающая принятие реше­ния по исходной информации на основе базы знаний, хранящей знания экспертов, путем применения ЭВМ, позволяющей интерпретировать эти знания. Экспертная система — это одно из проявлений искусственного ин­теллекта (моделирования процессов мышления).

    В медицине врачи постоянно принимают важные решения, определяющие успех всей работы: ставят диагноз. Точность диагностики зависит от квали­фикации специалиста (эксперта), его умения правильно проанализировать имеющуюся информацию. Но бывают ситуации, когда нет высококвалифи­цированного специалиста по какой-либо специальности. Поэтому с разви­тием вычислительной техники возникла идея заложить знания специалистов в компьютер и использовать его в качестве электронного эксперта.

    Экспертные системы принадлежат к классу систем искусственного интел­лекта. Разрабатываемые в настоящее время медицинские экспертные систе­мы просты и решают узкоспециализированные задачи медицинской диагно­стики. По сути дела это диалоговые базы данных, сопряженные с базами знаний и подсистемами генерации отчетов.

    Самые важные области применения экспертных систем:

    • неотложные и угрожающие состояния;

    • дефицит времени;

    • ограниченные возможности обследования;

    • скудная клиническая симптоматика;

    • быстрые темпы развития заболевания.

    Общий принцип, положенный в основу формирования ЭС диагностических заключений, — включение в базу знаний синдромов, позволяющих контро­лировать все основные системы организма.

    Выводы, основанные на опыте работы с экспертной системой, весьма кон­кретны и обоснованны:

    • медицинские знания следует представлять в виде иерархически организо­ванной структуры;

    • этап формирования эталонных описаний развивает у молодых специали­стов навыки систематизированного и логически обоснованного описания и представления клинической картины заболевания;

    • язык, встроенный в систему для описания заложенных в оболочку ЭС алгоритмов вывода заключений, должен быть прост и доступен практи­кующему врачу.

    Основными участниками создания медицинских экспертных систем явля­ются:

    • врач;

    • математик;

    • программист.

    Основная роль в разработке такой системы у врача — роль постановщика задач. Такая расстановка обязанностей не уменьшает значение разработчи­ков ЭС, а лишь упорядочивает взаимоотношения между участниками совме­стной работы.

    Необходимо отметить, что работа с экспертными системами может вестись удаленно.

    Характеристики экспертных систем

    По способу решения задачи диагностики различают вероятностные и

    экспертные системы. В вероятностных системах диагностика осуществляется реализацией одного из методов распознавания образов или статистических методов принятия решений. В экспертных системах реализуется логика принятия диагностического решения опытным врачом.

    Знания, на которых основана ЭС, должны быть явными и доступными, вы­сококачественными, полученными непременно на уровне профессионалов, более глубокими и полными, чем у обычного пользователя, и, таким обра­зом, должны обеспечивать глубину и компетентность системы. Система должна уметь работать не только с количественной, но и с трудно формали­зуемой качественной информацией, что особенно важно для решения меди­цинских задач.

    По типу поддержки решения системы можно разделить на два класса.

    Эти системы рассматривают несколько источников медицинских знаний, включающие различные дисциплины.

    • Системы, предлагающие лучшую стратегию. Эти системы отвечают на вопросы: какие дополнительные исследования могут быть сделаны? Что
      изменить в распорядке дня, чтобы улучшить лечение? Как лучше всего
      сообщить пациенту о его состоянии? Эти системы должны учитывать
      также финансовые и этические стороны лечения.

    На практике медицинские экспертные системы обычно включают оба эти типа. Трудно отделить лечение от диагноза, и часто очень полезно бывает найти дополнительную информацию, касающуюся пациента или болезни.

    По типу вмешательства экспертные системы делятся на пассивные, полуак­тивные и активные.

    Большинство систем поддержки решения работают в пассивном режиме. Врач должен явно сделать запрос к системе, описать случай и ждать совета системы. В зависимости от предоставленной информации и требуемого со­вета используются два подхода.

    В консультационной системе пользователь (врач) дает требуемую инфор­мацию о пациенте, а система выдает диагностический или терапевтиче­ский совет. Пример: система MYCIN, созданная Шортлайфом (Shortliffe) и его коллегами в Стэнфордском Университете.

    В критической системе пользователь (врач) дает требуемую информацию о пациенте и информацию относительно запланированной дальнейшей диагностической или лечебной стратегии. Система делает критический анализ предложений врача и выдает свои рекомендации. Пример: систе­ма ATTENDING, созданная P. Miller в Йельском Университете. Система анализирует план предстоящего анестезиологического пособия.

    Полуактивные системы поддержки решения работают на основе анализа по­ступающей информации и базы знаний, вырабатывая решение. Такие сис­темы играют роль охранных систем. Здесь можно выделить автоматические и сигнальные системы.

    Автоматические системы напоминания контролируют действия медперсо­нала. Они помогают избегать неправильного назначения препаратов и дозировок медикаментов, руководствуясь ранее разработанными прото­колами. Пример: автоматические дозаторы лекарственных препаратов.

    Сигнальные системы отслеживают биологические или физиологические параметры пациента и сообщают об отклонениях от безлопастного диа­пазона. Пример: кардиологический монитор.

    Активные системы обеспечивают совет или действие, специально предна­значенное для конкретного пациента. Они могут принять решение автома­тически, без вмешательства врача. Это может быть выдача распоряжений медперсоналу на дополнительные исследования, соответствующие протоколу

    ведения пациента, или автоматический контроль управления некоторыми медицинскими системами (аппараты искусственного кровообращения, ге­модиализа, кардиостимуляторы).

    Состав экспертных систем

    Прежде всего важно правильно определить, в какой форме лучше хранить знания эксперта и как ими пользоваться. Важно также обеспечить правиль­ное применение знаний, позволяющее сформулировать достоверные выводы на основе часто противоречивой исходной информации. Желательно, чтобы система по отдельному запросу объясняла свою линию рассуждения в по­нятном пользователю виде. Хорошая экспертная система имеет блок для пополнения базы знаний.

    Таким образом, у полностью оформленной экспертной системы присутст­вуют четыре основных блока.

    1. База знаний.

    2. Машина вывода.

    3. Модуль извлечения знаний.

    4. Система объяснения принятых решений.

    Блоки 3 и 4 необязательны, но законченная экспертная система обязана иметь их все.

    Рассмотрим основные блоки экспертной системы подробнее.

    База знаний

    База знаний содержит факты или утверждения и правила. Факты являются краткосрочной информацией, они могут изменяться в ходе одного сеанса работы. Правила составляют долговременную информацию о том, как по­рождать новые факты на основе известных данных. Отличие базы знаний от базы данных состоит в механизме пополнения информации недостающими фактами.

    Распространенным методом отображения знаний являются правила продук­ций. При этом правила имеют вид ЕСЛИ — ТО, например, ЕСЛИ у пациен­та высокая температура, ТО вероятность того, что у него ОРВИ, следует ум­ножить на 5. Кроме правила продукций используются деревья решений, семантические сети и исчисление предикатов.

    Машина вывода

    Машина вывода — это высокоуровневый интерпретатор, который осуществ­ляет цепочку рассуждений на основе фактов и правил базы знаний и приводит

    к конечному решению. Машина вывода обычно имеет дело с ненадежными знаниями. Одна из проблем экспертных систем — работа с ненадежной ин­формацией. В настоящее время найдены способы решения этой задачи: не­четкая логика, байесовская логика, коэффициенты уверенности. Эти спосо­бы дают на практике вполне приемлемые результаты. Пользователь получает информацию через систему интерфейса.

    Извлечение знаний

    Извлечение знаний является трудоемким процессом. Знания сами по себе — дорогой ресурс, который сложно представить в простой для использования в компьютере форме. Обычный способ извлечения знаний состоит в том, что специалист по технологии экспертных систем опрашивает специали­стов, знания которых добавляются в экспертную систему, добиваясь пра­вильного представления их знаний в компьютере. Это долгий и дорогой процесс. В настоящее время ведутся интенсивные работы по автоматизации процесса извлечения знаний. Появилось новое поколение систем — само­обучающиеся системы, которые уже нельзя назвать экспертными системами в точном понимании этого слова, т. к. они уже не используют знания экспертов. Процесс принятия решения в таких системах трудно понять че­ловеку, поскольку не удается построить блок объяснения решения. Сейчас интенсивно развиваются системы, основанные на технологии нейронных сетей, которые используют этот принцип.

    Система объяснения принятых решений

    Человеку часто трудно объяснить, каким образом он принимает свое реше­ние. Система объяснения принятых решений экспертной системы позволяет облегчить процесс общения с ней человека, объясняя, как система пришла к решению. В таком случае при необходимости человек может вмешаться в процесс принятия решения.

    Примеры применения экспертных систем

    С помощью экспертных систем эффективно решаются задачи, для которых нет строгой устоявшейся теории. Наиболее эффективное применение экс­пертные системы получили в диагностике, не только медицинской, но и технической и экономической.

    Большое влияние на развитие экспертных систем оказала разработанная еще в 1970-е годы в Стенфордском университете система MYCIN, которую сейчас считают классической. Эта система диагностирует бактериальные инфекции крови и дает рекомендации относительно терапии. База знаний системы MYCIN составляет сотни правил типа ЕСЛИ — ТО, которые являются вероятностными, что позволяет принимать правильные решения при ошибочности части данных. Система имеет блок объяснения рассуждений.

    Опишу несколько областей применения ЭС.

    Фармакокинетика. Фармакокинетическая модель позволяет представить и определить количественно различные фазы обмена лекарственного средства (поглощение, распространение, преобразование в активных и неактивных метаболитах, выведение). Измерение биологических параметров пациента и консультации с экспертной системой позволяют индивидуально регулиро­вать дозировку лекарственного средства. Клиническое использование этого метода особенно важно при применении препаратов с узким терапевтиче­ским окном (интервал оптимальной дозировки является маленьким, и есть высокий риск неэффективности или передозировки).

    Терапия. Наиболее выдающиеся примеры диагностической помощи — INTER-NIST/CADUCEUS/QMR-системы, разработанные в Университете Питсбурга. Система INTERNIST охватывает приблизительно 80% терапии и использует в своей основе сведения о 4500 симптомах и синдромах, 600 бо­лезнях. Каждая болезнь описана приблизительно 80 симптомами.

    Учитывая симптомы, представленные пациентом, система определяет раз­личные диагностические гипотезы. Исследования показали, что диагнозы, выставляемые системой, сопоставимы работе эксперта. Практическое ис­пользование системы затруднено по причине больших затрат времени при работе с ней.

    Химиотерапия. Система ONCOCIN, разработанная в онкологической кли­нике Стэнфордского университета, предназначена помогать назначению химиотерапии онкологическим больным. Она помогает выбрать терапевти­ческие протоколы, которые могут быть применены к конкретному пациенту, определить дозы химиотерапии и контролировать ход лечения.

    Интеграция в медицинскую информационную систему. Система HELP, разра­ботанная и внедренная в госпитале Солт-Лейк-Сити, является хорошим примером системы поддержки принятия решений, интегрированной в ста­ционарную информационную систему. Работает она в полуавтоматическом режиме. Система предупреждения обнаруживает патологические отклонения в лабораторных данных и определяет неадекватные дозировки лекарствен­ных препаратов; анализирует микробиологические данные и сравнивает с другими доступными данными лабораторно-клинических исследований; информирует фармацевтов о применении антибиотиков, стоимости и дли­тельности лечения; предупреждает, если обнаруживает инфекцию в анали­зах, где ее не должно быть, сообщает о случаях слишком долгой резистент­ной антибиотикотерапии.

    Польза использования экспертных систем

    Трудоемкость разработки экспертных систем вынуждает задаться вопросом: "Зачем разрабатывать экспертные системы? Не лучше ли обращаться к чело­веческому опыту, экспертам?" Помимо недостатков, ЭС обладают положи­тельными качествами.

    • Постоянство. Профессиональные качества человека-эксперта могут серь­езно меняться со временем.

    • Легкость передачи или воспроизведения. Передача знаний от одного чело­века другому — долгий и дорогой процесс. Передача искусственной ин­формации — это просто копирование программы или файла данных.

    • Устойчивость и воспроизводимость результатов. Эксперт-человек может принимать в подобных ситуациях разные решения из-за эмоциональных факторов, тогда как результаты ЭС стабильны.

    • Стоимость эксплуатации. Работа высококвалифицированного эксперта дорогая, а ЭС дороги в разработке, но дешевы в эксплуатации.

    Литература:

    1.Анин Б.Ю. Защита компьютерной информации.-СПб.:БХВ-Санкт-Петербург, 2000

    2.Барсуков В.С., Водолазкий В.В. Современные технологии безопастности.-М.:Нолидж, 2000

    3.Баричев С.Г., Гончаров В.В., Серов Р.Е. Основы современной криптографии.-М.:Горячая линия-Телеком, 2001

    1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем.-СПб.:Питер, 2000 г.

    5.Столингс В. Основы защиты сетей. –М.:Издательский дом «Вильямс», 2002

    6.Хорев П.Б. Методы и средства защиты информации в компьютерных системах.-М.: Издательский центр «Академия», 2006
    Контроль

    Вопросы:

    1. Что является основной любой интеллектуальной системы?

    2. Что входит в состав экспертной системы?

    3. Что такое интегрированная экспертная система?

    4. Что такое стыковка экспертной системы?

    5. Как связаны универсальность программного средства и количество работы по созданию готовой экспертной системы?

    6.Что такое нейросеть?

    7.Где применяются нейрокомпьютеры?

    8.Перечислите основные направления искусственного интеллекта.

    9.Расскажите историю развития искусственного интеллекта.

    10.Расскажите модели представления знаний в современных интелектуальных системах.

    11.Классификация интеллектуальной информационной системы.

    Тесты: См. Сборник тестовых заданий по «Информатика» тема «Безопасность информационной системы».
    Задачи:

    1.Перечислите основные направления искусственного интеллекта.

    2.Перечислите уровни обработки данных.

    3.Перечислите уровни обработки знаний.

    4.Перечислите классификацию экспертных систем.



    Стр. из 53




    написать администратору сайта