Базы знаний интеллектуальных


Операции с нечеткими знаниями



страница4/13
Дата22.05.2016
Размер3.92 Mb.
ТипРеферат
1   2   3   4   5   6   7   8   9   ...   13

1.4.2. Операции с нечеткими знаниями

Д




(так называемая логика Заде) или так:



ля операций с нечеткими знаниями, выраженными при помощи лингвистичес-
ких переменных, существует много различных способов. Эти способы являются в
основном эвристиками. Мы не будем останавливаться на этом вопросе подробно,
укажем лишь для примера определение нескольких операций. К примеру, опера-
ция «ИЛИ» часто задается так [Аверкин и др., 1986; Яшин, 1990]:

(вероятностный подход).

Усиление или ослабление лингвистических понятий достигается введением спе-
циальных квантификаторов. Например, если понятие «старческий возраст»
определяется как








то понятие «очень старческий возраст» определится как

то есть «очень старческий возраст» равен

Для вывода на нечетких множествах используются специальные отношения и


операции над ними (подробнее см. работу [Орловский, 1981]).
Одним из первых применений теории НМ стало использование коэффициентов
уверенности для вывода рекомендаций медицинской системы MYCIN [Shortliffe,
1976]. Этот метод использует несколько эвристических приемов. Он стал приме-
ром обработки нечетких знаний, повлиявших на последующие системы.
В настоящее время в большинство инструментальных средств разработки систем,
основанных на знаниях, включены элементы работы с НМ, кроме того, разработа-
ны специальные программные средства реализации так называемого нечеткого
вывода, например «оболочка» FuzzyCLIPS.

11.5. Прикладные интеллектуальные системы

Центральная парадигма интеллектуальных технологий сегодня — это обработка


знаний. Системы, ядром которых является база знаний или модель предметной
области, описанная на языке сверхвысокого уровня, приближенном к естествен-
ному, называют интеллектуальными. Будем называть такой язык сверхвысоко-
го уровня — языком представления знаний (ЯПЗ). Чаще всего интеллектуальные
системы (ИС) применяются для решения сложных задач, где основная сложность
решения связана с использованием слабо-формализованных знаний специалис-
тов-практиков и где логическая (или смысловая) обработка информации пре-
валирует над вычислительной. Например, понимание естественного языка, под-
держка принятия решения в сложных ситуациях, постановка диагноза и реко-
мендации по методам лечения, анализ визуальной информации, управление дис-
петчерскими пультами и др.

Фактически сейчас прикладные интеллектуальные системы используются в де-


сятках тысяч приложений. А годовой доход от продаж программных и аппарат-
ных средств искусственного интеллекта еще в 1989 г. в США составлял 870 млн
долларов, а в 1990 г. — 1,1 млрд долларов [Попов, 1996]. В дальнейшем почти
тридцатипроцентный прирост дохода сменился более плавным наращиванием
темпов (по материалам [Поспелов, 1997; Хорошевский, 1997; Попов, 1996;
Walker, Miller, 1987; Tuthill, 1994, Durkin, 1998]).

На рис. 1.9 отражены различные аспекты состояния рынка искусственного интел-


лекта; инвестиции в разработку в области ИИ (США, Европа, Япония) (рис. 1.9, а);
доля систем ИИ в информатике (программном обеспечении) (рис. 1.9, б); доходы
от продаж традиционных языков программирования (рис. 1.9, в); инвестиции
только в программное обеспечение (США) (рис. 1.9, г); инвестиции в аппаратное
обеспечение (США) (рис. 1.9, Э); структура рынка ЭС (США, 1993) (рис. 1.9, е).



Рис.1.9. Состояние и перспективы рынка ИИ
Наиболее распространенным видом ИС являются экспертные системы.

Экспертные системы (ЭС) — это наиболее распространенный класс ИС, ориентирован-
ный на тиражирование опыта высококвалифицированных специалистов в областях, где
качество принятия решений традиционно зависит от уровня экспертизы, например, ме-
дицина, юриспруденция, геология, экономика, военное дело и др.

ЭС эффективны лишь в специфических «экспертных» областях, где важен эмпи-
рический опыт специалистов.

Только в США ежегодный доход от продаж инструментальных средств разработ-


ки ЭС составлял в начале 90-х годов 300-400 млн долларов, а от применения
- 80-90 млн долларов [Попов, 1996]. Ежегодно крупные фирмы разрабаты-
вают десятки ЭС типа «in-house» для внутреннего пользования. Эти системы ин-
тегрируют опыт специалистов компании по ключевым и стратегически важным
технологиям. В начале 90-х гг. появилась новая наука — «менеджмент знаний»

(knowledge management), ориентированная на методы обработки и управления


корпоративными знаниями (см. главу 5).

Современные ЭС — это сложные программные комплексы, аккумулирующие зна-


ния специалистов в конкретных предметных областях и распространяющие этот
эмпирический опыт для консультирования менее квалифицированных пользо-
вателей. Разработка экспертных систем, как активно развивающаяся ветвь ин-
форматики, направлена на использование ЭВМ для обработки информации в
тех областях науки и техники, где традиционные математические методы моде-
лирования малопригодны. В этих областях важна смысловая и логическая обра-
ботка информации, важен опыт экспертов.

Приведем некоторые условия, которые могут свидетельствовать о необходимо-


сти разработки и внедрения экспертных систем (частично из [Уотермен, 1989]):

  • нехватка специалистов, затрачивающих значительное время для оказания по-
    мощи другим;

  • выполнение небольшой задачи требует многочисленного коллектива специа-
    листов, поскольку ни один из них не обладает достаточным знанием;

  • сниженная производительность, поскольку задача требует полного анализа
    сложного набора условий, а обычный специалист не в состоянии просмотреть
    (за отведенное время) все эти условия;

  • большое расхождение между решениями самых хороших и самых плохих ис-
    полнителей;

  • наличие конкурентов, имеющих преимущество в силу того, что они лучше
    справляются с поставленной задачей.

Подходящие задачи имеют следующие характеристики:

  • являются узкоспециализированными;

  • не зависят в значительной степени от общечеловеческих знаний или сооб-
    ражений здравого смысла;

  • не являются для эксперта ни слишком легкими, ни слишком сложными.
    (Время, необходимое эксперту для решения проблемы, может составлять
    от трех часов до трех недель.)

Экспертные системы достаточно молоды — первые системы такого рода, MYCIN
[Shortliffe, 1976] и DENDRAL [Buchanan, Feigenbaum, 1978], появились в США в
середине 70-х годов. В настоящее время в мире насчитывается несколько тысяч
промышленных ЭС, которые дают советы:

  • при управлении сложными диспетчерскими пультами, например сети распре-
    деления электроэнергии, — Alarm Analyser [Walker, Miller, 1987];

  • при постановке медицинских диагнозов — ARAMIS [Shortliffe, Buchanan, Fei-
    genbaum, 1979], NEUREX [Reggia, 1988];

  • при поиске неисправностей в электронных приборах, диагностика отказов
    контрольно-измерительного оборудования — Intelligence Ware [Slagle, Gardi-
    ner, Kyungsook, 1990], Plant Diagnostics [Уотермен, 1989], FOREST [Finin,
    McAdams, Kleinosky, 1984];



  • по проектированию интегральных микросхем — DAA [Сойер, Фостер, 1988],
    NASL [Walker, Miller, 1988], QO [Pega, Sticklen, Bond, 1993];

  • по управлению перевозками — AIRPLAN [Masui, McDermott, 1983];

  • по прогнозу военных действий — ANALYST [Bonasso, 1984], BATTLE [Slagle,
    Gaynor, 1983];

  • по формированию портфеля инвестиций, оценке финансовых рисков — RAD
    [Kestelyn,1992], налогообложению - RUNE [Durkin, 1998] и т. д.

Наиболее популярные приложения ИС отображены на рис. 1.10 [Durkin, 1998].



Рис. 1.10. Основные приложения ИС

Сейчас легче назвать области, где еще нет ЭС, чем те, где они уже применяются.


Уже в 1987 г. опрос пользователей, проведенный журналом «Intelligent Techno-
logies» (США), показал, что примерно:

  • 25 % пользователей используют ЭС;

  • 25 % собираются приобрести ЭС в ближайшие 2-3 года;

  • 50 % предпочитают провести исследование об эффективности их использова-
    ния.

Главное отличие ИС и ЭС от других программных средств — это наличие базы
знаний (БЗ), в которой знания хранятся в форме, понятной специалистам пред-
метной области, и могут быть изменены и дополнены также в понятной форме.
Это и есть языки представления знаний — ЯПЗ.

До последнего времени именно различные ЯПЗ были центральной проблемой


при разработке ЭС. Сейчас существуют десятки языков или моделей представ-
ления знаний (см. параграф 1.3). Наибольшее распространение получили следу-
ющие модели:

• продукции (OPS5 [Forgy, 1981], ROSIE [Fain, Hayes-Roth, Sowizral, Water-


man, 1982]);

  • семантические сети (SIMER+MIR [Осипов, 1997]; NET [Цейтин, 1985]);

  • фреймы (FRL [Байдун, Бунин, 1988; Справочник по ИИ, 1990]);

  • логическое программирование (ПРОЛОГ [Макалистер, 1990; Стерлинг, Ша-
    пиро, 1990]);

  • объектно-ориентированные языки (SMALLTALK [Goldberg, Robson, 1983;
    Буч, 1993], CLOS [Pega, Sticklen, Bond, 1993]).

Для перечисленных выше моделей существует соответствующая математическая
нотация, разработаны системы программирования, реализующие эти ЯПЗ, и
имеется большое количество реальных коммерческих ЭС. Подробнее вопросы
программной реализации прикладных ИС рассмотрены в главе 6.
Современное состояние разработок в области ЭС в России можно охарактеризо-
вать как стадию все возрастающего интереса среди широких слоев специалис-
тов — финансистов, топ-менеджеров, преподавателей, инженеров, медиков, пси-
хологов, программистов, лингвистов. В последние годы этот интерес имеет пока
достаточно слабое материальное подкрепление — явная нехватка учебников и
специальной литературы, отсутствие символьных процессоров и рабочих стан-
ций, ограниченное финансирование исследований в этой области, слабый отече-
ственный рынок программных продуктов для разработки ЭС.

Поэтому появляется возможность распространения «подделок» под экспертные


системы в виде многочисленных диалоговых систем и интерактивных пакетов
прикладных программ, которые дискредитируют в глазах пользователей это чрез-
вычайно перспективное направление. Процесс создания экспертной системы тре-
бует участия высококвалифицированных специалистов в области искусственно-
го интеллекта, которых пока выпускает небольшое количество высших учебных
заведений страны.

Наибольшие трудности в разработке ЭС вызывает сегодня не процесс машинной


реализации систем, а домашинный этап анализа знаний и проектирования базы
знаний. Этим занимается специальная наука — инженерия знаний [Гаврилова,
Червинская, 1992; Adeli, 1994; Scott, Clayton, Gibson, 1994].

Современному состоянию этой науки и посвящены последующие главы этой


книги.


Р

азработка систем,


основанных

на знаниях

о Введение в экспертные системы. Определение и структура

а Классификация систем, основанных на знаниях ,

п Коллектив разработчиков

D Технология проектирования и разработки

2.1. Введение в экспертные системы.
Определение и структура

В качестве рабочего определения экспертной системы примем следующее.



Экспертные системы (ЭС) — это сложные программные комплексы, аккумулирующие
знания специалистов в конкретных предметных областях и тиражирующие этот эмпири-
ческий опыт для консультаций менее квалифицированных пользователей.

Обобщенная структура экспертной системы представлена на рис. 2.1. Следует
учесть, что реальные ЭС могут иметь более сложную структуру, однако блоки,
изображенные на рисунке, непременно присутствуют в любой действительно эк-
спертной системе, поскольку представляют собой стандарт de facto структуры
современной ЭС.

В целом процесс функционирования ЭС можно представить следующим обра-


зом: пользователь, желающий получить необходимую информацию, через поль-
зовательский интерфейс посылает запрос к ЭС; решатель, пользуясь базой зна-
ний, генерирует и выдает пользователю подходящую рекомендацию, объясняя
ход своих рассуждений при помощи подсистемы объяснений.


Рис. 2.1. Структура экспертной системы

Так как терминология в области разработки ЭС постоянно модифицируется, оп-
ределим основные термины в рамках данной работы.

Пользователь — специалист предметной области, для которого предназначена си-
стема. Обычно его квалификация недостаточно высока, и поэтому он нуждается в
помощи и поддержке своей деятельности со стороны ЭС.

Инженер по знаниям — специалист в области искусственного интеллекта, высту-
пающий в роли промежуточного буфера между экспертом и базой знаний. Сино-
нимы: когнитолог, инженер-интерпретатор, аналитик.

Интерфейс пользователя — комплекс программ, реализующих диалог пользова-
теля с ЭС как на стадии ввода информации, так и при получении результатов.

База знаний (БЗ) — ядро ЭС, совокупность знаний предметной области, записан-
ная на машинный носитель в форме, понятной эксперту и пользователю (обычно
на некотором языке, приближенном к естественному). Параллельно такому «че-
ловеческому» представлению существует БЗ во внутреннем «машинном» пред-
ставлении.

Решательпрограмма, моделирующая ход рассуждений эксперта на основании
знаний, имеющихся в БЗ. Синонимы: дедуктивная машина, машина вывода, блок
логического вывода.

Подсистема объяснений — программа, позволяющая пользователю получить от-
веты на вопросы: «Как была получена та или иная рекомендация?» и «Почему
система приняла такое решение?» Ответ на вопрос «как» — это трассировка всего
процесса получения решения с указанием использованных фрагментов БЗ, то
есть всех шагов цепи умозаключений. Ответ на вопрос «почему» — ссылка на умо-
заключение, непосредственно предшествовавшее полученному решению, то есть
отход на один шаг назад. Развитые подсистемы объяснений поддерживают и дру-
гие типы вопросов.

Интеллектуальный редактор БЗ — программа, представляющая инженеру по
знаниям возможность создавать БЗ в диалоговом режиме. Включает в себя
систему вложенных меню, шаблонов языка представления знаний, подсказок
(«help» — режим) и других сервисных"средств, облегчающих работу с базой.
Еще раз следует подчеркнуть, что представленная на рис. 2.1 структура является
минимальной, что означает обязательное присутствие указанных на ней блоков.
Если система объявлена разработчиками как экспертная, только наличие всех
этих блоков гарантирует реальное использование аппарата обработки знаний.
Однако промышленные прикладные ЭС могут быть существенно сложнее и до-
полнительно включать базы данных, интерфейсы обмена данными с различными
пакетами прикладных программ, электронными библиотеками и т. д.

2.2. Классификация систем, основанных
на знаниях

Класс ЭС сегодня объединяет несколько тысяч различных программных комп-


лексов, которые можно классифицировать по различным критериям. Полезными
могут оказаться классификации, представленные на рис. 2.2.



Рис. 2.2. Классификация экспертных систем

2.2.1. Классификация по решаемой задаче

Рассмотрим указанные на рисунке типы задач подробнее.

Интерпретация данных. Это одна из традиционных задач для экспертных сис-
тем. Под интерпретацией понимается процесс определения смысла данных,
результаты которого должны быть согласованными и корректными. Обычно
предусматривается многовариантный анализ данных.


  • Все примеры далее из работ [Попов и др., (ред.), 1990; Соловьев, Соловьева,
    1989; Хейес-Рот и др., 1987].

  • Обнаружение и идентификация различных типов океанских судов по ре-
    зультатам аэрокосмического сканирования — SIAP;

. * определение основных свойств личности по результатам психодиагности-
ческого тестирования в системах АВТАНТЕСТ и МИКРОЛЮШЕР и др,

Диагностика. Под диагностикой понимается процесс соотнесения объекта с


некоторым классом объектов и/или обнаружение неисправности в некоторой
системе. Неисправность — это отклонение от нормы. Такая трактовка поз-
воляет с единых теоретических позиций рассматривать и неисправность обо-
рудования в технических системах, и заболевания живых организмов, и все-
возможные природные аномалии. Важной спецификой является здесь
необходимость понимания функциональной структуры («анатомии») ди-
агностирующей системы.

  • Диагностика и терапия сужения коронарных сосудов — ANGY;

  • диагностика ошибок в аппаратуре и математическом обеспечении ЭВМ —
    система CRIB и др.

Мониторинг. Основная задача мониторинга — непрерывная интерпретация
данных в реальном масштабе времени и сигнализация о выходе тех или иных
параметров за допустимые пределы. Главные проблемы — «пропуск» тревож-
ной ситуации и инверсная задача «ложного» срабатывания. Сложность этих
проблем в размытости симптомов тревожных ситуаций и необходимость уче-
та временного контекста.

» Контроль за работой электростанций СПРИНТ, помощь диспетчерам атом-


ного реактора — REACTOR;

* контроль аварийных датчиков на химическом заводе — FALCON и др.

Проектирование. Проектирование состоит в подготовке спецификаций на со-
здание «объектов» с заранее определенными свойствами. Под спецификацией
понимается весь набор необходимых документов — чертеж, пояснительная за-
писка и т. д. Основные проблемы здесь — получение четкого структурного
описания знаний об объекте и проблема «следа». Для организации эффектив-
ного проектирования и в еще большей степени перепроектирования необхо-
димо формировать не только сами проектные решения, но и мотивы их приня-
тия. Таким образом, в задачах проектирования тесно связываются два основ-
ных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода
решения и процесс объяснения.

» Проектирование конфигураций ЭВМ VAX — 11/780 в системе XCON (или

R1), проектирование БИС - CADHELP;
» синтез электрических цепей — SYN и др.
Прогнозирование. Прогнозирование позволяет предсказывать последствия не-
которых событий или явлений на основании анализа имеющихся данных.
Прогнозирующие системы логически выводят вероятные следствия из задан-
ных ситуаций. В прогнозирующей системе обычно используется параметри-
ческая динамическая модель, в которой значения параметров «подгоняются»
под заданную ситуацию. Выводимые из этой модели следствия составляют
основу для прогнозов с вероятностными оценками.


  • Предсказание погоды — система WILLARD;

  • оценки будущего урожая — PLANT;

  • прогнозы в экономике — ECON и др.

Планирование. Под планированием понимается нахождение планов действий,
относящихся к объектам, способным выполнять некоторые функции. В таких
ЭС используются модели поведения реальных объектов с тем, чтобы логичес-
ки вывести последствия планируемой деятельности.

» Планирование поведения робота — STRIPS;

• планирование промышленных заказов — ISIS;
» планирование эксперимента — MOLGEN и др.

Обучение. Под обучением понимается использование компьютера для обуче-


ния какой-то дисциплине или предмету. Системы обучения диагностируют
ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказы-
вают правильные решения. Они аккумулируют знания о гипотетическом
«ученике» и его характерных ошибках, затем в работе они способны диагнос-
тировать слабости в познаниях обучаемых и находить соответствующие сред-
ства для их ликвидации. Кроме того, они планируют акт общения с учеником
в зависимости от успехов ученика с целью передачи знаний.

  • Обучение языку программирования ЛИСП в системе «Учитель ЛИСПа»;

  • система PROUST — обучение языку Паскаль и др.

Управление. Под управлением понимается функция организованной системы,
поддерживающая определенный режим деятельности. Такого рода ЭС осуще-
ствляют управление поведением сложных систем в соответствии с заданными
спецификациями.

» Помощь в управлении газовой котельной — GAS;

• управление системой календарного планирования Project Assistant и др.

Поддержка принятия решений. Поддержка принятия решения — это совокуп-


ность процедур, обеспечивающая лицо, принимающее решения, необходимой
информацией и рекомендациями, облегчающими процесс принятия решения.
Эти ЭС помогают специалистам выбрать и/или сформировать нужную аль-
тернативу среди множества выборов при принятии ответственных решений.

» Выбор стратегии выхода фирмы из кризисной ситуации — CRYSIS;


» помощь в выборе страховой компании или инвестора — CHOICE и др.

В общем случае все системы, основанные на знаниях, можно подразделить на си-


стемы, решающие задачи анализа, и на системы, решающие задачи синтеза. Основ-
ное отличие задач анализа от задач синтеза заключается в том, что если в задачах
анализа множество решений может быть перечислено и включено в систему, то в
задачах синтеза множество решений потенциально не ограничено и строится из
решений компонент шщ под-проблем. Задачами анализа являются: интерпрета-
ция данных, диагностика, поддержка принятия решения; к задачам синтеза отно-
сятся проектирование, планирование, управление. Комбинированные: обучение,
мониторинг, прогнозирование.



Поделитесь с Вашими друзьями:
1   2   3   4   5   6   7   8   9   ...   13


База данных защищена авторским правом ©dogmon.org 2019
обратиться к администрации

    Главная страница