Файл: Учебник Рекомендовано Федеральным государственным учреждением.pdf

логичных им в смежных областях), далее мы покажем, в чем со­
стоит существенная разница между «обычным» подходом и пред­
лагаемым в сфере искусственного интеллекта и почему экспертные системы можно выделить в отдельный, достаточно хорошо раз­
личимый класс программ. Четкого формального определения экспертной системы, которое всех бы удовлетворило, не суще­
ствует — приведенное выше тоже довольно расплывчато. Но тем не менее существует довольно много важных признаков, присущих в той или иной степени всем экспертным системам.
2.3. Х ар актери сти ки экспертны х си ст е м
Прежде всего нужно отметить, что экспертная система модели­
рует не столько физическую (или иную) природу определенной проблемной области, сколько механизм мышления человека при­
менительно к решению задач в этой проблемной области. Это су­
щественно отличает экспертные системы от систем математическо­
го моделирования или компьютерной анимации. Нельзя, конечно, сказать, что программа полностью воспроизводит психологическую модель специалиста в этой предметной области (эксперта), но важ­
но, что основное внимание все-таки уделяется воспроизведению компьютерными средствами методики решения проблем, приме­
няемой экспертом, т. е. выполнению некоторой части задач так же
(или иногда даже лучше), как это делает эксперт.
Система помимо выполнения вычислительных операций фор­
мирует определенные соображения и выводы, основываясь на тех знаниях, которыми она располагает. Знания в системе представ­
лены, как правило, на некотором специальном языке и хранятся отдельно от собственно программного кода, который и формиру­
ет выводы и соображения.
При решении задач экспертными системами основными явля­
ются эвристические и приближенные методы, которые в отличие от алгоритмических не всегда гарантируют успех. Такие методы являются приблизительными в том смысле, что они не требуют исчерпывающей исходной информации, и существует определен­
ная степень уверенности (или неуверенности) в том, что пред­
лагаемое решение является верным.
Одна из основных характеристик экспертной системы — ее производительность, т.е. скорость получения результата и его до­
стоверность, или надежность. Экспертная система должна за до­
статочно короткое время найти решение не хуже того, которое может предложить специалист данной предметной области.
Экспертная система должна обладать способностью обосновать принятие именно такого решения и доказать его. ЭС проектиру­
63

ется в расчете на взаимодействие с разными пользователями, для которых ее работа должна быть по возможности «прозрачной».
Это особенно необходимо в областях, характеризующихся нео­
пределенностью, неточностью информации (например, в меди­
цинской диагностике). В этих случаях способность к объяснению нужна для того, чтобы повысить степень доверия пользователя к советам системы, а также для того, чтобы дать возможность поль­
зователю обнаружить возможный дефект в рассуждениях системы.
Пользователь должен получить всю необходимую информацию, чтобы быть уверенным, что решение принято «не с потолка».
В связи с этим в экспертных системах следует предусматривать дружественное взаимодействие с пользователем. Кроме того, от­
сутствие достаточной прозрачности поведения системы не по­
зволит эксперту повлиять на ее производительность или дать совет, как можно ее повысить. Прослеживание и оценка поведения си­
стемы — задача довольно сложная и для ее решения необходимы совместные усилия эксперта и специалиста по информатике.
Экспертные системы должны решать задачи, требующие экс­
пертных знаний в некоторой конкретной области. В той или иной форме экспертные системы должны обладать этими знаниями.
Зачастую термин «система», основанная на знаниях, и использу­
ется в качестве синонима термина «экспертная система», хотя, строго говоря, экспертная система — это более широкое понятие.
Система, основанная на знаниях, — это любая система, процесс работы которой основан на применении правил отношений к символическому представлению знаний, а не на использовании алгоритмических или статистических методов. Таким образом, программа, способная рассуждать о погоде, будет системой, осно­
ванной на знаниях, даже в том случае, если она не способна вы­
полнить метеорологическую экспертизу. А вот чтобы иметь право называться метеорологической экспертной системой, программа должна давать прогноз погоды (достоверность прогноза — это другой вопрос).
От других видов программ из области искусственного интел­
лекта экспертные системы отличаются тем, что имеют ярко вы­
раженную практическую направленность в научной и коммерче­
ской областях.
Суммируя все сказанное, отметим, что экспертная система со­
держит знания в определенной предметной области, накопленные в результате практической деятельности человека, и использует их для решения специфичных для этой области проблем. Этим экспертные системы отличаются от прочих, «традиционных», систем, в которых предпочтение отдается более общим и менее связанным с предметной областью теоретическим методам, чаще всего математическим.
64

2.4. Ф ункции экспертны х си ст е м
В самом общем случае, для того чтобы построить ЭС, необхо­
димо разработать механизмы выполнения следующих функций:
1) приобретение знаний в конкретной предметной области;
2) представление знаний;
3) решение задач с использованием знаний о конкретной пред­
метной области (управление процессом решения);
4) объяснение намерений и решений системы во время и после окончания процесса решения задачи (разъяснение принятого решения).
Каждая из этих функций может оказаться очень сложной и за­
висит от прикладной области, а также от различных практических требований. В процессе разработки и реализации могут возникать разнообразные проблемы.
2.4.1. Приобретение знаний
Приобретение знаний — это передача потенциального опыта решения проблемы от некоторого источника знаний и преобра­
зование его в вид, позволяющий использовать эти знания в про­
грамме.
Передача знаний выполняется в процессе достаточно длитель­
ных собеседований между специалистом по проектированию экспертной системы (инженером по знаниям) и экспертом в определенной предметной области, способным четко сформули­
ровать имеющийся у него опыт. Многие исследователи рассма­
тривают функцию приобретения знаний в качестве одного из главных «узких мест» технологии экспертных систем. Проблемы могут возникнуть самые разнообразные.
Специалисты в узкой области, как правило, пользуются соб­
ственным профессиональным жаргоном, который трудно пере­
вести на обычный язык. Но смысл жаргонных слов (профессио­
нализмов) совсем не очевиден, а потому требуется много допол­
нительных вопросов для уточнения их логического значения.
Неудовлетворительные результаты собеседований эксперта и ин­
женера по знаниям ввиду использования первым профессиона­
лизмов пробудили у некоторых исследователей интерес к автома­
тизации процесса передачи знаний специалистом машине. Одно из направлений исследований в этой области — автоматизирован­
ное извлечение знаний — появилось как побочный продукт в развитии систем человеко-машинного диалога. Другое направле­
ние — машинное обучение. Идея состоит в том, чтобы машина училась решать проблемы примерно так же, как учится человек.
65

Проблемой является еще и то, что факты и принципы, лежащие в основе многих специфических областей знания эксперта, не могут быть четко сформулированы в терминах математической теории или детерминированной модели, свойства которой хорошо понятны. Так, эксперту может быть известно, что определенное событие может наступить, но он ничего не сможет сказать о ме­
ханизмах, которые приводят к наступлению этого события. Для того чтобы решить проблему в определенной области, эксперту недостаточно просто обладать суммой знаний о фактах и прин­
ципах в этой области. Например, опытный специалист знает, какого рода информацией нужно располагать для формулировки того или иного суждения, насколько надежны различные источ­
ники информации и как можно расчленить сложную проблему на несколько простых, которые можно решать более или менее не­
зависимо. Выявить в процессе собеседования такого рода знания, основанные на личном опыте и плохо поддающиеся формализа­
ции, значительно сложнее, чем получить простой перечень каких- то фактов или общих принципов.
Экспертный анализ даже в очень узкой области, выполняемый человеком, очень часто нужно поместить в довольно обширный контекст, который включает и многие вещи, кажущиеся эксперту само собой разумеющимися, но для постороннего отнюдь тако­
выми не являющиеся.

что процесс рассуждения представляется как последовательность символьных преобразований.
Наиболее распространенный способ представления знаний — в виде конкретных фактов и правил, по которым из имеющихся фактов могут быть выведены новые. Факты могут быть представ­
лены, например, в виде троек: атрибут, объект, значение.
Такой факт означает, что заданный объект имеет заданный атрибут (свойства) с заданным значением. Например, тройка (воз­
раст, пациент, 77) представляет факт, что возраст пациента — 77 лет. В более простых случаях факт выражается не конкретным значением атрибута, а каким-либо простым утверждением, кото­
рое может быть истинным или ложным, например: «Пациент курит». В таких случаях факт можно обозначить каким-либо крат­
ким именем (например, курение) или использовать для представ­
ления факта сам текст соответствующей фразы.
Правила в базе знаний имеют вид:
ЕСЛИ а TO s,
где а — условие; s — действие.
Действие s исполняется, если а истинно. Наиболее часто дей­
ствие s, так же, как и условие, представляет собой утверждение, которое может быть выведено системой (т. е. становится ей из­
вестной), если истинно условие правила а. Правила в базе знаний служат для представления эвристических знаний (эвристик), т.е. неформальных правил рассуждения, вырабатываемых экспертом на основе опыта его деятельности. Простой пример правила:
ЕСЛИ «Пациент курит»
ТО «У пациента больные легкие».
В качестве условия а может выступать либо факт (как в данном примере), либо несколько фактов аь..., а„, соединенные логиче­
скими операциями.
Пример предыдущего правила с более сложным условием (пра­
вило 1):
ЕСЛИ
(«Пациент курит») / f («Кровяное давление выше среднего»)
ТО
«Риск высокий» (правило 1)
Действия, входящие в состав правил, могут содержать новые факты. При применении таких правил эти факты становятся из­
вестны системе, т.е. включаются в множество фактов, которое называется рабочим множеством. Например, если факты «Па­
циент курит» и «Кровяное давление выше среднего» уже имеются в рабочем множестве, то после применения приведенного выше правила в него также включается факт «Риск высокий».
67

Если система не может вывести некоторый факт, истинность или ложность которого требуется установить, то система спраши­
вает о нем пользователя. Например:
Верно ли, что «Пациент курит»?
При получении положительного ответа от пользователя факт
«Пациент курит» включается в рабочем множество.
Существуют статические и динамические базы знаний. Стати­
ческие базы данных не изменяются со временем. Динамические базы знаний изменяются со временем. Новые факты, добавляемые в базу знаний, являются результатом вывода, который состоит в применении правил к имеющимся фактам.
Экспертные системы могут иметь монотонный и немонотон­
ный выводы.
В системах с монотонным выводом факты, хранимые в базе знаний, статичны, т.е. не изменяются в процессе решения задачи.
В системах с немонотонным выводом допускается изменение или удаление фактов из базы знаний. Изменение фактов в свою оче­
редь приводит к необходимости удаления из базы знаний заклю­
чений, полученных с помощью упомянутых правил. Тем самым вывод выполняется повторно для того, чтобы пересмотреть реше­
ния, полученные на основе подвергшихся изменению фактов.
2.4.3. Решение задач с использованием знаний
При проектировании экспертной системы серьезное внимание должно быть уделено и тому, как осуществляется доступ к знани­
ям и как они используются при поиске решения. Знание о том, какие знания нужны в той или иной конкретной ситуации, и умение ими распорядиться — важная часть процесса функциони­
рования экспертной системы. Такие знания получили наимено­
вание метазнаний, т.е. знаний о знаниях. Решение нетривиаль­
ных проблем требует и определенного уровня планирования и управления при выборе, какой вопрос нужно задать, какой тест выполнить и т. д.
Использование разных стратегий перебора имеющихся знаний, как правило, довольно существенно влияет на характеристики эффективности программы. Эти стратегии определяют, каким способом программа отыскивает решение проблемы в некотором пространстве альтернатив.
Существует такая программная компонента экспертных систем, как подсистема вывода, реализующая процесс рассуждений си­
стемы на основе базы знаний и рабочего множества. Она выпол­
няет две функции:
68

1) просмотр существующих фактов из рабочего множества и правил из базы знаний и добавление (по мере возможности) в рабочее множество новых фактов;
2) определение порядка просмотра и применения правил. Эта подсистема управляет процессом консультации, сохраняет для пользователя информацию о полученных заключениях и запраши­
вает у него информацию, когда для срабатывания очередного пра­
вила в рабочем множестве оказывается недостаточно данных.
Цель экспертной системы — вывести некоторый заданный факт, который называется целевым утверждением, т.е. в резуль­
тате применения правил добиться того, чтобы этот факт был включен в рабочее множество, либо опровергнуть этот факт, т.е. убедиться, что его вывести невозможно, следовательно, при дан­
ном уровне знаний системы он является ложным. Целевое утверж­
дение либо «заложено» заранее в базу знаний системы, либо из­
влекается системой из диалога с пользователем.
Работа системы представляет собой последовательность шагов, на каждом из которых система выбирает из базы некоторое пра­
вило, которое можно применить к текущему содержимому рабо­
чего множества. Цикл заканчивается, когда выведено или опро­
вергнуто целевое утверждение. Цикл работы экспертной системы иначе называется логическим выводом. Логический вывод может происходить многими способами, из которых наиболее распро­
страненные — прямой и обратный порядок вывода.
Прямой порядок вывода — от фактов, которые находятся в рабочем множестве, к заключению. Если такое заключение уда­
ется найти, то оно заносится в рабочее множество. Прямой вывод часто называют выводом, управляемым данными.
Для иллюстрации добавим к нашему примеру базы знаний о здоровье еще одно правило (правило 2):
ЕСЛИ
«Риск высокий»
ТО
«Продолжительность жизни менее 60 лет».
Предположим также, что факты «Пациент курит» и «Кровяное давление выше среднего» имеются в рабочем множестве, а целью системы является определение наиболее вероятной продолжитель­
ности жизни пациента (пользователя).
При прямом выводе работа системы будет протекать следу­
ющим образом.
1.
Рассматривается правило 1. Его условие истинно, так как оба элемента конъюнкции имеются в рабочем множестве. Применяем правило 1. Добавляем к рабочему множеству факт «Риск высо­
кий».
69