Экспертные системы. Успех первых экспертных систем стимулировал их разработку и применение в самых различных областях, что обязывает к более внимательному изучению их

Успех первых экспертных систем стимулировал их разработку и применение в самых различных областях, что обязывает к более внимательному изучению их особенностей и возможностей.

Основные черты экспертных систем. Отметим характеристики, особо выделяющие экспертные системы (ЭС) из всего многообразия систем искусственного интеллекта и обеспечивающие их способность к решению сложных задач и, значит, их практическую полезность.

1. ЭС ограничены определенной сферой экспертизы – узкой проблемной областью, что позволяет систематизировать и загрузить в компьютер знания, достаточные для качественного решения реальных задач.

2. ЭС, благодаря использованию нечеткой логики, способны делать надежные экспертные заключения при ненадежных и неполных данных.

3. ЭС способны объяснять понятным пользователю способом ход своих рассуждений и причины своих запросов к нему, устанавливая тем самым с ним профессиональные и дружественные отношения.

4. ЭС выдают в качестве ответа на запрос не результаты вычислений, а результаты рассуждений в форме экспертного заключения или совета.

5. Экспертная система строится так, чтобы сохранялась возможность совершенствования и расширения её знаний с развитием ПО и знаний о ней. Поэтому созданные экспертные системы до сих пор существуют, развиваются и используются.

6. ЭС экономически выгодны. Это еще одна причина того, что созданные экспертные системы живут и развиваются. И это пока единственный тип систем ИИ, приносящих положительный экономический эффект.

Области применения экспертных систем. Создание ЭС – весьма сложный, трудоемкий и дорогостоящий процесс. Поэтому каждый, кто замышляет её построение, должен задать себе вопрос: «Нужна ли мне экспертная система?» Ответ на него зависит от типа задачи, которую вы хотите решить. В табл. 1.2 представлен контрольный список характеристик областей применения с точки зрения пригодности подхода с использованием знаний.

Таблица 1.2

Подходит	Не подходит
Диагностика	Вычислительные задачи
Нет установившейся теории	Есть хорошо развитая теория
Данные неполны, неточны, ненадежны	Есть полные, точные, надежные данные
Мало специалистов	Нет недостатка в специалистах
Опасная, агрессивная среда	Нормальные условия работы

Если имеющееся вами в виду приложение больше относится к левой части таблицы, чем к правой, то следует всерьез рассмотреть перспективу использования экспертной системы.

К диагностическому типу задач относится не только задача постановки медицинского диагноза, но любая ситуация, в которой имеется множество возможных ответов, а требуется выбрать из них один верный или, по крайней мере, отбросить заведомо неверные. Сюда попадают многие задачи классификации и предсказания (например диагностика неисправностей в вычислительной машине или выявление причин экономического спада).

Проблемные области, не имеющие твердо установленной теории, отличаются большим числом переменных величин, затрудняющих создание полной и цельной теории, в силу чего искусные практики больше полагаются на опыт и интуицию, чем на теоретические выводы (вроде экономических или политических прогнозов). Следовательно, сюда не относятся задачи, для решения которых можно вывести и применить некоторую формулу (как, например, задача о движении небесных тел, где законов ньютоновской механики достаточно для управления полетом космического корабля).

Область с малым числом специалистов обычно легко узнается по высокой зарплате, спросу на специалистов и очередям на курсы переквалификации. Ясно, что в этом случае будет экономически оправданным машинизировать навыки, на которые имеется высокий спрос.

Наконец, если имеющаяся информация ненадежна, нечетко задана или «замусорена», то экспертные системы – это как раз то, что вам нужно. Тогда в построении экспертных заключений начнет играть ключевую роль какая-нибудь нечеткая, многозначная или вероятностная логика.

Архитектура экспертных систем. Подход к конструированию систем, основанных на использовании знаний, представляет собой новшество с последствиями революционного характера не только в содержании, но и в организации вычислительных процессов. В новой архитектуре традиционная вычислительная система превращается в основу системы качественно нового типа, ядро которой составляют база знаний и «машина логического вывода».

Чтобы понять суть принципиальных изменений, рассмотрим простой пример. Пусть требуется вычислить выражения и проверить их равенство: . Не составляет труда написать на любом из языков программирования процедуру, проверяющую это равенство и выдающую результат для заданных значений переменных . Мы знаем, что ответ при любых значениях будет положительным, так как это арифметический закон дистрибутивности умножения относительно сложения, но компьютер этого не знает и всякий раз при запуске процедуры будет требовать задания конкретных значений этих переменных.

Возникает вопрос: как должна быть устроена и функционировать компьютерная система, способная определять истинность выражений, подобных ()? Вычислительная система традиционного типа не в состоянии это сделать, если множества значений переменных бесконечны, поскольку такое выражение представляет собой не формулу, которую следует применить, чтобы получить ответ, а утверждение, которое требуется доказать. Для построения же доказательства требуются не столько вычисления на основе данных, сколько рассуждения на основе знаний. Таким образом, вместо программ вычислений в системах нового типа на первый план выходят программы рассуждений, доказательств, логического вывода.

Полностью оформленная экспертная система обязательно имеет следующие четыре основные компоненты (рис. 1.1), присущие сегодня всем системам, использующим ИИ:

а) база знаний;

б) машина (механизм) вывода;

в) модуль извлечения (приобретения) знаний;

г) система объяснения (интерфейс).

Все четыре модуля являются важными, и, хотя система, основанная на знаниях, может обойтись без одного-двух из них, настоящая экспертная система обязана иметь их все.

База знаний. База знаний содержит факты и правила. Факты – это утверждения, характеризующие текущую ситуацию в проблемной области. Они имеют временный характер и могут изменяться в ходе консультации. Правила представляют собой законы (общего характера или присущие лишь данной проблемной области), позволяющие выводить новые утверждения (следствия, заключения), соответствующие имеющимся фактам и гипотезам.

Наиболее употребительным способом представления неформальных знаний являются правила в виде продукций, имеющих уже знакомый нам формат если … то …. Но продукции – не единственный способ представления знаний. В зависимости от специфики проблемной области более удобными могут оказаться исчисление предикатов, семантические сети или сети фреймов. Однако на некотором глубинном уровне все типы представления знания равносильны, поэтому лучшей будет ре-

Рис. 1.1. Архитектура экспертной системы

комендация: выбирать для построения конкретной экспертной системы простейший из тех способов представления знания, что позволяют работать.

Употребление в обоих случаях слова «база» может вызвать вопрос: чем отличается база знаний от базы данных? Для ответа на него сопоставлять надо данные и факты, программу и систему правил базы знаний. Подобно тому, как в вычислительных системах данные пассивны, а программы – операциональны, факты в базе знаний играют пассивную, констатирующую роль, а система правил – активную, процессуальную. Различие же между вычислительной и интеллектуальной системами, как уже отмечалось, состоит в том, что первая осуществляет вычисления по программе на основе данных, а вторая – рассуждения по правилам на основе фактов.

Машина вывода. Подобно тому как в вычислительной системе операционнная система организует процесс вычислений, так в интеллектуальной системе машина вывода организует процесс рассуждений. Существует две основных стратегии построения логического вывода: прямая цепочка рассуждений и обратная цепочка рассуждений.

Прямая цепочка рассуждений связана с построением логического вывода от данных и фактов к гипотезам (целям), тогда как обратная цепочка рассуждений представляет собой поиск данных и фактов, доказывающих или опровергающих выдвинутые гипотезы (цели).

Чисто прямая цепочка рассуждений при неполных и ненадежных данных ведет к необозримому множеству, в том числе невероятных следствий. Кроме того, ее применение в чистом виде порождает к пользователю множество вопросов, не имеющих отношения к поставленной им цели.

Чисто обратная цепочка рассуждений при неполных и ненадежных данных, напротив, может вести к навязыванию неадекватных объяснений фактам, «притягиванию» фактов к гипотезам. Кроме того, ее применение, как правило, приводит к настойчивому повторению вопросов к пользователю, касающихся поставленной им цели.

По этим причинам наиболее удачные системы комбинируют эти два способа рассуждений. Так, К. Нейлор [8] описал метод, известный как подход с оценкой правил, который сочетает в себе достоинства обеих стратегий и смягчает их недостатки.

Но работает ли процедура вывода в прямом или в обратном направлении, ей приходится сталкиваться с ненадежными данными, фактами, правилами и заключениями, так как экспертные системы имеют дело не с идеализированными, а с реальными ситуациями. Для работы с неполными данными и ненадежными фактами, правилами и заключениями используются различные типы логик (вероятностная логика, многозначная логика, нечеткая логика, коэффициенты уверенности, если назвать только четыре из них). На практике были испробованы разные виды систем нечетких логических операций, но существенной разницы между ними не обнаружено. Объяснение этому, видимо, в том, что организация знаний играет более важную роль в рассуждениях, чем связанные со знаниями числовые значения. Кроме того, большинству баз знаний присуща избыточность, позволяющая экспертной системе прийти к правильному заключению несколькими различными путями. Числа, измеряющие степень доверия к получаемым в процессе поиска результатам, служат лишь ориентирами. По этой причине можно применять любой из наиболее удобных в каждом конкретном случае способ измерения ненадежности.

Модуль усвоения знаний. В простейшем варианте модуль усвоения знаний представляет собой редактор базы знаний, и это – первое, о чем следует позаботиться разработчикам экспертной системы. Современные оболочки экспертных систем обычно им располагают. Однако подобно тому, как в вычислительной системе самым сложным вопросом является создание алгоритма и программы решения вычислительной задачи, так в интеллектуальных системах самым сложным вопросом является извлечение и представление в виде фактов и правил знаний и опыта экспертов. До настоящего времени усвоение знаний и представление их в понятной машине форме остается самым узким местом в развитии экспертных систем. Эксперты известны своей неспособностью объяснить, каким образом они приходят к своим решениям, а объяснения, которые они сами дают, часто оказываются чисто внешними.

Как можно описать и формализовать их опыт? Традиционный способ состоит в длительной совместной работе инженера по знаниям с одним-двумя экспертами, в процессе которой должно быть выявлено и формализовано все то, что знает эксперт. Поэтому остро ощущается потребность автоматизировать процесс получения знаний, что станет возможным лишь тогда, когда мы поймем, как мы их сами получаем.

Программа EURISCO, созданная Д. Б. Ленатом на основе эволюционных алгоритмов Сэмюэля и Холланда, стала предвестником нового поколения обучающихся машин: Р. С. Михальский создал систему, которая обучалась классификации болезней зерновых культур; Дж. Квинлан разработал алгоритм обучения понятиям на основе анализа примеров, содержащихся в базе данных; Р. Форсайт написал программу BEAGLE (Biological Evolutionary Algorithm Generatial Expressions – биологический эволюционный алгоритм, порождающий логические выражения), в которой используется дарвиновская схема естественного отбора. Но особо примечательным в программе EURISCO Лената было то, что используемый ею язык описаний (средство хранения правил и понятий) оказался достаточно выразительным для представления зачаточной формы самосознания в виде «метаправил». Эта система тратит массу времени на самоанализ и управление своим поведением, запоминая обнаруженные правила и применяя их к себе.

Интерфейс. Четвертой важной компонентой экспертной системы являются средства, обеспечивающие возможность ее объяснения с человеком. Одним из самых замечательных свойств, присущих классическим экспертным системам, подобным системе MYCIN, является то внимание, которое было уделено в ней пользовательскому интерфейсу. В любой момент эту систему можно спросить, как (how) она пришла к такому заключению или почему (why) она задала пользователю такой вопрос?

В системе, основанной на использовании правил, ответ обычно формируется путем повторного прослеживания тех шагов рассуждения, которые привели к данному вопросу или к данному заключению. Легкость, с которой это можно делать, является важным доводом в пользу систем, основанных на правилах.

Средства объяснений не следует считать специфической чертой лишь экспертных систем. Доналд Мичи (1982) и другие aвторы указывали на обреченность систем, в которых не предусмотрено «когнитивное окно для человека», т. е. действия которых носят скрытый или непонятный человеку характер. Поэтому метод рассуждения, который не может быть объяснен человеку, неприемлем, даже если он работает лучше, чем специалист.