Представления знаний в интеллектуальных системах, экспертные системы / Хабр
Введение
Экспертная система (далее по тексту — ЭС) — это информационная система, назначение которой частично или полностью заменить эксперта в той или иной предметной области. Подобные интеллектуальные системы эффективно применяются в таких областях, как логистика, управление воздушными полетами, управление театром военных действий. Основною направленной деятельностью предсказание, прогнозирование в рамках определенного аспекта в предметной области.
Экскурс в историю экспертных систем
История экспертных систем берет свое начало в 1965 году. Брюс Бучанан и Эдвард Фейгенбаум начали работу над созданием информационной системы для определения структуры химических соединений.
Результатом работы была система под названием Dendral. В основе системы формировалась последовательность правил подобных к «IF – THEN». Информационная система не перестала развиваться и получила множество наследников, таких как ONCOIN – информационная система для диагностики раковых заболеваний, MYCIN – информационная система для диагностики легочных инфекционных заболеваний.
Следующим этапом стали 70-е годы. Период не выделялся особыми разработками. Было создано множество разных прототипов системы Dendral. Примером служит система PROSPECTOR, областью деятельности которой являлась геологические ископаемые и их разведка.
В 80-ых годах появляются профессия – инженер по знаниям. Экспертные системы набирают популярность и выходят на новый этап эволюции интеллектуальных систем. Появились новые медицинские системы INTERNIS, CASNE.
С 90-ых годов развитие интеллектуальных систем приобретает новые и новые методы и особенности. Нововведением становится парадигма проектирования эффективных и перспективных систем. Гибкость, четкость решения поставленных задач дало новое название – мультиагентных систем. Агент – фоновый процесс который действует в целях пользователя. Каждый агент имеет свою цель, «разум» и отвечает за свою область деятельности. Все агенты в совокупности образуют некий интеллект. Агенты вступают в конкуренцию, настраивают отношения, кооперируются, все как у людей.
В 21 век, интеллектуальной системой уже не удивишь никого. Множество фирм внедряет экспертные системы в области своей деятельности.
Быстродействующая система OMEGAMON разрабатывается c 2004 года с IBM, цель которой отслеживание состояния корпоративной информационной сети. Служит для моментального принятия решений в критических или неблагоприятных ситуациях.
G2 – экспертная система от фирмы Gensym, направленная на работу с динамическими объектами. Особенность этой системы состоит в том, что в нее внедрили распараллеливание процессов мышления, что делает ее быстрее и эффективней.
Структура экспертной системы
1. База знаний
Знания — это правила, законы, закономерности получены в результате профессиональной деятельности в пределах предметной области.
База знаний — база данных содержащая правила вывода и информацию о человеческом опыте и знаниях в некоторой предметной области. Другими словами, это набор таких закономерностей, которые устанавливают связи между вводимой и выводимой информацией.
2. Данные
Данные — это совокупность фактов и идей представленных в формализованном виде.
3. Модель представления данных
Самая интересная часть экспертной системы.
Модель представления знаний (далее по тексту — МПЗ) — это способ задания знаний для хранения, удобного доступа и взаимодействия с ними, который подходит под задачу интеллектуальной системы.
4. Механизм логического вывода данных(Подсистема вывода)
Механизм логического вывода(далее по тексту — МЛВ) данных выполняет анализ и проделывает работу по получению новых знаний исходя из сопоставления исходных данных из базы данных и правил из базы знаний. Механизм логического вывода в структуре интеллектуальной системы занимает наиболее важное место.
Механизм логического вывода данных концептуально можно представить в виде
<A,B,C,D>:А — функция выбора из базы знаний и из базы данных закономерностей и фактов соответственно
B — функция проверки правил, результатом которой определяется множество фактов из базы данных к которым применимы правила
С — функция, которая определяет порядок применения правил, если в результате правила указаны одинаковые факты
D — функция, которая применяет действие.
Какие существуют модели представления знаний?
Распространены четыре основных МПЗ:
- Продукционная МПЗ
- Семантическая сеть МПЗ
- Фреймовая МПЗ
- Формально логическая МПЗ
Продукционная МПЗ
В основе продукционной модели представления знаний находится конструктивная часть, продукция(правило):IF <условие>, THEN <действие>
Продукция состоит из двух частей: условие — антецендент, действие — консеквент.
Условия можно сочетать с помощью логических функций AND, OR.Антецеденты и консеквенты составленных правил формируются из атрибутов и значений. Пример:
IF температура реактора подымается THEN добавить стержни в реакторВ базе данных продукционной системы хранятся правила, истинность которых установлена к за ранее при решении определенной задачи. Правило срабатывает, если при сопоставлении фактов, содержащихся в базе данных с антецедентом правила, которое подвергается проверке, имеет место совпадение. Результат работы правила заносится в базу данных.
Пример
| Диагноз | Температура | Давление | Кашель |
|---|---|---|---|
| Грипп | 39 | 100-120 | Есть |
| Бронхит | 40 | 110-130 | Есть |
| Аллергия | 38 | 120-130 | Нет |
Пример продукции:IF Температура = 39 AND Кашель = Есть AND Давление = 110-130 THEN Бронхит
Продукционная модель представления знаний нашла широкое применение в АСУТП
Среды разработки продукционных систем(CLIPS)
CLIPS (C Language Integrated Production System) — среда разработки продукционной модели разработана NASA в 1984 году.
Среда реализована на языке С, именно потому является быстрой и эффективной.
Пример:
(defrule bronchitis // deftule зарезервированное слово, которое вводит новое правило за ним следует название правила (symptoms (temperature 39) (cough true)(pressure "110-130")) //симптом с температурой 39, наличием кашля, и давлением 110-130 => (printout t "Диагноз - бронхит" crlf)) //это симптомы бронхита
Подобное правило будет активировано только тогда, когда в базе данных появится факт симптома с подобными параметрами.
Семантическая сеть МПЗ
В основе продукционной модели лежит ориентированный граф. Вершины графа — понятия, дуги — отношения между понятиями.
Особенностью является наличие трех типов отношений:
- класс — подкласс
- свойство — значение
- пример элемента класса
По количеству типов отношений выделяют однородные и неоднородные семантические сети. Однородные имею один тип отношения между всеми понятиями, следовательно, не однородные имею множество типов отношений.
Все типы отношений:
- часть — целое
- класс — подкласс
- элемент — количество
- атрибутивный
- логический
- лингвистический
Пример
Недостатком МПЗ является сложность в извлечении знаний, особенно при большой сети, нужно обходить граф.
Фреймовая МПЗ
Предложил Марвин Мински в 1970 году. В основе фреймовой модели МПЗ лежит фрейм. Фрейм — это образ, рамка, шаблон, которая описывает объект предметной области, с помощью слотов. Слот — это атрибут объекта. Слот имеет имя, значение, тип хранимых данных, демон. Демон — процедура автоматически выполняющаяся при определенных условиях. Имя фрейма должно быть уникальным в пределах одной фреймовой модели. Имя слота должно быть уникальным в пределах одного фрейма.
Слот может хранить другой фрейм, тогда фреймовая модель вырождается в сеть фреймов.
Пример
Пример вырождающейся в сеть фреймов
На своей практике, мне доводилось встречать системы на основе фреймовой МПЗ.
В университете в Финляндии была установлена система для управления электроэнергией во всем здании.
Языки разработки фреймовых моделей (Frame Representation Language)
FRL (Frame Representation Language) — технология создана для проектирования интеллектуальных систем на основе фреймовой модели представления знаний. В основном применяется для проектирования вырождающихся в сеть фреймовой модели.
Запись фрейма на языке FRL будет иметь вид:
(frame Room // вводим новый фрейм Room
(windows (value(4), demon(open))) //Слот windows со значением 4 и демоном open
(doors (value(1), demon(open))) //Слот doors со значением 1 и демоном open
(conditioners (value(2), demon(turn on))) //Слот conditioners со значением 2 и демоном turn on
(sokets (value(10), demon(turn on))) //Слот sokets со значением 10 и демоном turn on
) Существуют и другие среды: KRL (Knowledge Representation Language), фреймовая оболочка Kappa, PILOT/2.
Формально логическая МПЗ
В основе формально логической МПЗ лежит предикат первого порядка.
Подразумевается, что существует конечное, не пустое множество объектов предметной области. На этом множестве с помощью функций интерпретаторов установлены связи между объектами. В свою очередь на основе этих связей строятся все закономерности и правила предметной области. Важное замечание: если представление предметной области не правильное, то есть связи между объектами настроены не верно или не в полной мере, то правильная работоспособность системы будет под угрозой.
Пример
A1 = <идет дождь> A2 = <небо в тучах> A3 = <солнечно>; IF A1 AND A2 THEN <взять зонтик>
Банальней примера и не придумаешь.
Важно: Стоит заметить, что формально логическая МПЗ схожа с продукционной. Частично это так, но они имеют огромную разницу. Разница состоит в том, что в продукционной МПЗ не определены никакие связи между хранимыми объектами предметной области.
Важно
Любая экспертная система должна иметь вывод данных и последовательность «мышления» системы.
Это нужно для того чтобы увидеть дефекты в проектировании системы. Хорошая интеллектуальная система должна иметь право ввода данных, которое реализуется через интеллектуальный редактор, право редактора на перекрестное «мышление» представлений при проектировании системы и полноту баз знаний(реализуется при проектировки закономерностей предметной области между инженером по знаниям и экспертом).
Заключение
Экспертные системы действительно имеют широкое применение в нашей жизни. Они позволяют экономить время реальных экспертов в определенной предметной области. Модели представления знаний это неотъемлемая часть интеллектуальных систем любого уровня. Поэтому, я считаю, что каждый уважающий себя IT-специалист, должен иметь даже поверхностные знания в этих областях.
Спасибо за внимание!
36. Назначение и основы использования систем искусственного интеллекта. Базы знаний. Экспертные системы
Термин интеллект (intelligence) происходит от латинского intellectus — что означает ум, рассудок, разум; мыслительные способности человека.
Соответственно искусственный интеллект(artificial intelligence) — ИИ (AI) обычно толкуется как свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий.
Интеллект — способность мозга решать (интеллектуальные) задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.
В этом определении под термином «знания» подразумевается не только ту информацию, которая поступает в мозг через органы чувств. Такого типа знания чрезвычайно важны, но недостаточны для интеллектуальной деятельности. Дело в том, что объекты окружающей нас среды обладают свойством не только воздействовать на органы чувств, но и находиться друг с другом в определенных отношениях. Ясно, что для того, чтобы осуществлять в окружающей среде интеллектуальную деятельность (или хотя бы просто существовать), необходимо иметь в системе знаний модель этого мира.
В этой информационной модели окружающей среды реальные объекты, их свойства и отношения между ними не только отображаются и запоминаются, но и, как это отмечено в данном определении интеллекта, могут мысленно «целенаправленно преобразовываться».
Для того, чтобы пояснить, чем отличается интеллектуальная задача от просто задачи, необходимо ввести термин «алгоритм» — один из краеугольных терминов кибернетики.
Под алгоритмом понимают точное предписание о выполнении в определенном порядке системы операций для решения любой задачи из некоторого данного класса (множества) задач. Задачи, связанные с отысканием алгоритма решения класса задач определенного типа, будем называть интеллектуальными.
Таким образом, мы можем перефразировать определение интеллекта как универсальный сверхалгоритм, который способен создавать алгоритмы решения конкретных задач.
Исходя из сказанного выше, вытекает основная философская проблема в области искусственного интеллекта — возможность или не возможность моделирования мышления человека.
В случае если когда-либо будет получен отрицательный ответ на этот вопрос, то все остальные вопросы не будут иметь не малейшего смысла.
Алгоритмическая универсальность ЭВМ означает, что на них можно программно реализовывать (т. е. представить в виде машинной программы) любые алгоритмы преобразования информации, — будь то вычислительные алгоритмы, алгоритмы управления, поиска доказательства теорем или композиции мелодий. При этом мы имеем в виду, что процессы, порождаемые этими алгоритмами, являются потенциально осуществимыми, т. е. что они осуществимы в результате конечного числа элементарных операций. Практическая осуществимость алгоритмов зависит от имеющихся в нашем распоряжении средств, которые могут меняться с развитием техники. Так, в связи с появлением быстродействующих ЭВМ стали практически осуществимыми и такие алгоритмы, которые ранее были только потенциально осуществимыми.
Однако не следует думать, что вычислительные машины и роботы могут в принципе решать любые задачи.
Анализ разнообразных задач привел математиков к замечательному открытию. Было строго доказано существование таких типов задач, для которых невозможен единый эффективный алгоритм, решающий все задачи данного типа; в этом смысле невозможно решение задач такого типа и с помощью вычислительных машин. Этот факт способствует лучшему пониманию того, что могут делать машины и чего они не могут сделать. В самом деле, утверждение об алгоритмической неразрешимости некоторого класса задач является не просто признанием того, что такой алгоритм нам не известен и никем еще не найден. Такое утверждение представляет собой одновременно и прогноз на все будущие времена о том, что подобного рода алгоритм нам не известен и никем не будет указан или, и иными словами, что он не существует.
Исторически сложились три основных направления в моделировании искусственного интеллекта.
В рамках первого подхода объектом исследований являются структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления.
Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование моделей и т. д.
Второй подход в качестве объекта исследования рассматривает искусственный интеллект. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью работ в этом направлении является создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека.
Наконец, третий подход ориентирован на создание смешанных человеко-машинных, или, как еще говорят, интерактивных интеллектуальных систем, на симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях является оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.
Самыми первыми интеллектуальными задачами, которые стали решаться при помощи ЭВМ были логические игры (шашки, шахматы), доказательство теорем. Хотя, правда здесь надо отметить еще кибернетические игрушки типа «электронной мыши» Клода Шеннона, которая управлялась сложной релейной схемой. Эта мышка могла «исследовать» лабиринт, и находить выход из него. А кроме того, помещенная в уже известный ей лабиринт, она не искала выход, а сразу же, не заглядывая в тупиковые ходы, выходила из лабиринта.
Американский кибернетик А. Самуэль составил для вычислительной машины программу, которая позволяет ей играть в шашки, причем в ходе игры машина обучается или, по крайней мере, создает впечатление, что обучается, улучшая свою игру на основе накопленного опыта. В 1962 г. эта программа сразилась с Р. Нили, сильнейшим шашистом в США и победила.
Каким образом машине удалось достичь столь высокого класса игры?
Естественно, что в машину были программно заложены правила игры так, что выбор очередного хода был подчинен этим правилам.
На каждой стадии игры машина выбирала очередной ход из множества возможных ходов согласно некоторому критерию качества игры.
Разумно сочетая такие критерии (например в виде линейной комбинации с экспериментально подбираемыми коэффициентами или более сложным образом), можно для оценки очередного хода машины получить некоторый числовой показатель эффективности — оценочную функцию. Тогда машина, сравнив между собой показатели эффективности очередных ходов, выберет ход, соответствующий наибольшему показателю. Подобная автоматизация выбора очередного хода не обязательно обеспечивает оптимальный выбор, но все же это какой-то выбор, и на его основе машина может продолжать игру, совершенствуя свою стратегию (образ действия) в процессе обучения на прошлом опыте. Формально обучение состоит в подстройке параметров (коэффициентов) оценочной функции на основе анализа проведенных ходов и игр с учетом их исхода.
По мнению А. Самуэля, машина, использующая этот вид обучения, может научиться играть лучше, чем средний игрок, за относительно короткий период времени.
Можно сказать, что все эти элементы интеллекта, продемонстрированные машиной в процессе игры в шашки, сообщены ей автором программы. Отчасти это так. Но не следует забывать, что программа эта не является «жесткой», заранее продуманной во всех деталях. Она совершенствует свою стратегию игры в процессе самообучения. И хотя процесс «мышления» у машины существенно отличен оттого, что происходит в мозгу играющего в шашки человека, она способна у него выиграть.
Ярким примером сложной интеллектуальной игры до недавнего времени являлись шахматы. В 1974 г. состоялся международный шахматный турнир машин, снабженных соответствующими программами. Как известно, победу на этом турнире одержала советская машина с шахматной программой «Каисса».
В настоящее время существуют и успешно применяются программы, позволяющие машинам играть в деловые или военные игры, имеющие большое прикладное значение. Здесь также чрезвычайно важно придать программам присущие человеку способность к обучению и адаптации.
Одной из наиболее интересных интеллектуальных задач, также имеющей огромное прикладное значение, является задача обучения распознавания образов и ситуаций. Решением ее занимались и продолжают заниматься представители различных наук — физиологи, психологи, математики, инженеры.
В 1957 г. американский физиолог Ф. Розенблатт предложил модель зрительного восприятия и распознавания — перцептрон. Появление машины, способной обучаться понятиям и распознавать предъявляемые объекты, оказалось чрезвычайно интересным не только физиологам, но и представителям других областей знания и породило большой поток теоретических и экспериментальных исследований.
Перцептрон или любая программа, имитирующая процесс распознавания, работают в двух режимах: в режиме обучения и в режиме распознавания. В режиме обучения некто (человек, машина, робот или природа), играющий роль учителя, предъявляет машине объекты и о каждом их них сообщает, к какому понятию (классу) он принадлежит. По этим данным строится решающее правило, являющееся, по существу, формальным описанием понятий.
В режиме распознавания машине предъявляются новые объекты (вообще говоря, отличные от ранее предъявленных), и она должна их классифицировать, по возможности, правильно.
Проблема обучения распознаванию тесно связана с другой интеллектуальной задачей — проблемой перевода с одного языка на другой, а также обучения машины языку. При достаточно формальной обработке и классификации основных грамматических правил и приемов пользования словарем можно создать вполне удовлетворительный алгоритм для перевода, скажем научного или делового текста. Для некоторых языков такие системы были созданы еще в конце 60-г. Однако для того, чтобы связно перевести достаточно большой разговорный текст, необходимо понимать его смысл. Работы над такими программами ведутся уже давно, но до полного успеха еще далеко. Имеются также программы, обеспечивающие диалог между человеком и машиной на урезанном естественном языке.
Что же касается моделирования логического мышления, то хорошей модельной задачей здесь может служить задача автоматизации доказательства теорем.
Начиная с 1960 г., был разработан ряд программ, способных находить доказательства теорем в исчислении предикатов первого порядка. Эти программы обладают, по словам американского специалиста в области искусственного интеллекта Дж. Маккатти, «здравым смыслом», т. е. способностью делать дедуктивные заключения.
В программе К. Грина и др., реализующей вопросно-ответную систему, знания записываются на языке логики предикатов в виде набора аксиом, а вопросы, задаваемые машине, формулируются как подлежащие доказательству теоремы. Большой интерес представляет «интеллектуальная» программа американского математика Хао Ванга. Эта программа за 3 минуты работы IBM-704 вывела 220 относительно простых лемм и теорем из фундаментальной математической монографии, а затем за 8.5 мин выдала доказательства еще 130 более сложных теорем, часть их которых еще не была выведена математиками. Правда, до сих пор ни одна программа не вывела и не доказала ни одной теоремы, которая бы, что называется «позарез» была бы нужна математикам и была бы принципиально новой.
Очень большим направлением систем искусственного интеллекта является робототехника. В чем основное отличие интеллекта робота от интеллекта универсальных вычислительных машин?
Вся интеллектуальная деятельность человека направлена в конечном счете на активное взаимодействие с внешним миром посредством движений. Точно так же элементы интеллекта робота служат прежде всего для организации его целенаправленных движений. В то же время основное назначение чисто компьютерных систем искусственного интеллекта состоит в решении интеллектуальных задач, носящих абстрактный или вспомогательный характер, которые обычно не связаны ни с восприятием окружающей среды с помощью искусственных органов чувств, ни с организацией движений исполнительных механизмов.
Первых роботов трудно назвать интеллектуальными. Только в 60-х годах появились очуствленные роботы, которые управлялись универсальными компьютерами. К примеру в 1969 г. в Электротехнической лаборатории (Япония) началась разработка проекта «промышленный интеллектуальный робот».
Цель этой разработки — создание очуствленного манипуляционного робота с элементами искусственного интеллекта для выполнения сборочно-монтажных работ с визуальным контролем.
Манипулятор робота имеет шесть степеней свободы и управляется мини-ЭВМ NEAC-3100 (объем оперативной памяти 32000 слов, объем внешней памяти на магнитных дисках 273000 слов), формирующей требуемое программное движение, которое отрабатывается следящей электрогидравлической системой. Схват манипулятора оснащен тактильными датчиками.
В качестве системы зрительного восприятия используются две телевизионные камеры, снабженные красно-зелено-синими фильтрами для распознавания цвета предметов. Поле зрения телевизионной камеры разбито на 64*64 ячеек. В результате обработки полученной информации грубо определяется область, занимаемая интересующим робота предметом. Далее, с целью детального изучения этого предмета выявленная область вновь делится на 4096 ячеек. В том случае, когда предмет не помещается в выбранное «окошко», оно автоматически перемещается, подобно тому, как человек скользит взглядом по предмету.
Робот электротехнической лаборатории был способен распознавать простые предметы, ограниченные плоскостями и цилиндрическими поверхностями при специальном освещении. Стоимость данного экспериментального образца составляла примерно 400000 долларов.
Постепенно характеристики роботов монотонно улучшались, но до сих пор они еще далеки по понятливости от человека, хотя некоторые операции уже выполняют на уровне лучших жонглеров. К примеру удерживают на лезвии ножа шарик от настольного тенниса.
Еще пожалуй здесь можно выделить работы киевского Института кибернетики, где под руководством Н. М. Амосова и В. М. Глушкова (ныне покойного) ведется комплекс исследований, направленных на разработку элементов интеллекта роботов. Особое внимание в этих исследованиях уделяется проблемам распознавания изображений и речи, логического вывода (автоматического доказательства теорем) и управления с помощью нейроподобных сетей.
Экспертная система — это совокупность методов и средств организации, накопления и применения знаний для решения сложных задач в некоторой предметной области. Экспертная система достигает более высокой эффективности за счет перебора большого числа альтернатив при выборе решения, опираясь на высококачественный опыт группы специалистов. Анализирует влияние большого объема новых факторов, оценивая их при построении стратегий, добавляя возможности прогноза. Современные ЭС — специализированные компьютерные программы, моделирующие действия эксперта-человека при решении задач в какой-либо предметной области на основе накопленных знаний, составляющих базу знаний (БЗ). Создание и использование ЭС является одним из концептуальных этапов развития информационных технологий. В основе интеллектуального решения проблем в некоторой предметной области лежит принцип воспроизведения знаний опытных специалистов — экспертов.
В англоязычной литературе кроме понятия Artificial Intellect используется также термин — Knowledge Based Systems (KBS) — системы, базирующиеся на знаниях (СБЗ).
Таким образом, СБЗ — система, дающая возможность использовать подходящим образом представленные знания с помощью компьютера.
Компоненты СБЗ:
· база знаний
· механизм получения решений
· интерфейс
Самая характерная черта СБЗ — использование базы знаний. Общепринятого определения базы знаний нет.
Знания в БЗ можно разделить на алгоритмические и неалгоритмические.
· алгоритмические (процедурные) знания — это алгоритмы (программы, процедуры), вычисляющие функции, выполняющие преобразования, решающие точно определенные конкретные задачи. Пример: любая библиотека программ.
· неалгоритмические знания — состоит из объектов, называемых понятиями. Понятие обычно имеет имя, определение, структуру (составные элементы), связано с другими понятиями и входит в какую-то систему понятий. Другие неалгоритмические знания — это связи между понятиями или утверждения о свойствах понятий и связях между ними.
На практике во многих экспертных системах и СБЗ содержимое базы знаний подразделяют на «факты» и «правила».
Факты — элементарные единицы знания (простые утверждения о характеристиках объекта), правила служат для выражения связей, зависимостей между фактами и их комбинациями. Таким образом, классификацию знаний можно представить следующим образом:
· понятия (математические и нематематические)
· факты
· правила, зависимости, законы, связи
· алгоритмы и процедуры
Прямое использование знаний из базы знаний для решения задач обеспечивается механизмом получения решений (inference engine — машина вывода) — процедурой поиска, планирования, решения. Механизм решения дает возможность извлекать из базы знаний ответы на вопросы, получать решения, формулируемые в терминах понятий, хранящихся в базе. Примеры запросов:
· найти объект, удовлетворяющий заданному условию;
· какие действия нужно выполнить в такой ситуации и т.д.
Интерфейс — обеспечивает работу с базой знаний и механизмом получения решений на языке высокого уровня, приближенном к профессиональному языку специалистов в той прикладной области, к которой относится СБЗ.
Для создания СБЗ могут использоваться:
1. Традиционные языки программирования — C, Basic, Pascal, Lisp и др. Особо в этом ряду стоит выделит язык функционального программирования Lisp. Его основные свойства: данные представляются в виде списков, для получения решений используется рекурсия.
2. Языки представления знаний (такие как Prolog) — имеют специфические средства описания знаний и встроенный механизм поиска вывода.
3. Пустые оболочки экспертных систем — содержат реализации некоторого языка представления знаний и средства организации интерфейса пользователя. Позволяют практически полностью исключить обычное программирование при создании прикладной экспертной системы.
Для иллюстрации приведем пример, заимствованный из книги К.Нейлора. Создадим экспертную систему, с помощью которой можно отличить птицу от самолета. В таблице 17 представлен массив FACTS (факты), который фактически является в нашем случае базой знаний. В нем перечислены некоторые характеристики объектов «птица» и «самолет», наличие данной характеристики и объекта отмечено цифрой 1, отсутствие — 0.
Сформируем теперь правило вывода. Для этого тем характеристикам, которые присущи обоим объектам, присвоим нулевые весовые коэффициенты. Характеристикам присущим только «птице» поставим в соответствие весовой коэффициент 1, присущим только объекту «самолет» -1. Массив RULES, содержащий правило вывода представлен в крайнем правом столбце таблицы. Тогда механизм получения решений будет иметь вид:
Массив VALUES заполняется при опросе пользователя. Нетрудно убедиться, что при полном и правильном указании всех характеристик объектов механизм получения решений дает 2 для «птицы» и -2 для «самолета». При неполном указании характеристик объекта вывод о его принадлежности можно сделать на основании того, насколько близок полученный результат к одному из этих предельных значений.
Из этого примера видно, что необходимая таблица может храниться в реляционной или объектной БД и БЗ, представляют собой некий аналог обычных баз данных, но хотя и содержат информацию в виде таблиц, состоящих из записей с полями, но должны интерпретироваться СБЗ как утверждения о чем-либо, например «анальгин обладает болеутоляющим действием» или «зубная боль иногда сопровождается повышением температуры».
Доступ к этой информации в СБЗ осуществляется не через команды поиска, а с помощью формулируемых на ограниченном естественном языке вопросов, например «может ли анальгин помочь при зубной боли?».
Таким образом, хотя СБЗ может быть создана на основе реляционной или объектной СУБД, более производительно создавать СБЗ с помощью специализированных средств, располагающих особым языком представления знаний (ЯПЗ). Чаще всего интеллектуальные системы (ИС) применяются для решения сложных задач, где основная сложность решения связана с использованием слабо-формализованных знаний специалистов-экспертов и где логическая (или смысловая) обработка информации превалирует над вычислительной. Например, понимание естественного языка, поддержка принятия решения в сложных ситуациях, постановка диагноза и рекомендации по методам лечения, анализ визуальной информации, управление диспетчерскими пультами и др.
В конце данного очень краткого обзора рассмотрим примеры крупномасштабных экспертных систем.
MICIN — экспертная система для медицинской диагностики. Разработана группой по инфекционным заболеваниям Стенфордского университета. Ставит соответствующий диагноз, исходя из представленных ей симптомов, и рекомендует курс медикаментозного лечения любой из диагностированных инфекций. База данных состоит из 450 правил.
PUFF — анализ нарушения дыхания. Данная система представляет собой MICIN, из которой удалили данные по инфекциям и вставили данные о легочных заболеваниях.
DENDRAL — распознавание химических структур. Данная система старейшая, из имеющих звание экспертных. Первые версии данной системы появились еще в 1965 году во все том же Стенфордском университете. Пользователь дает системе DENDRAL некоторую информацию о веществе, а также данные спектрометрии (инфракрасной, ядерного магнитного резонанса и масс-спектрометрии), и та в свою очередь выдает диагноз в виде соответствующей химической структуры.
| < Предыдущая | Следующая > |
|---|
Экспертные системы и прикладной искусственный интеллект
Экспертные системы и прикладной искусственный интеллект Глава 11Экспертные системы и прикладные искусственные Интеллект
11.
1 Что такое искусственный интеллект?
Область искусственного интеллекта (ИИ) касается с методами разработки систем, которые отображают аспекты разумного поведения. Эти системы предназначены для имитации человеческих способностей мышления и восприятия.
Характеристики систем ИИ
Характеристики систем ИИ включают:
1. Символическая обработкаВ приложениях ИИ компьютеры обрабатывают символы, а не чем цифры или буквы. Приложения ИИ обрабатывают строки символов, представляющие сущности или концепции реального мира. Символы могут быть организованы в такие структуры, как списки, иерархии или сети. Эти структуры показывают, как символы соотносятся друг с другом.
2. Неалгоритмическая обработка Компьютерные программы за пределами области ИИ запрограммированы
алгоритмы; то есть полностью определенные пошаговые процедуры, определяющие решение задачи.
проблема. Действия системы ИИ, основанной на знаниях, в гораздо большей степени зависят от
ситуации, когда он используется.
Поле ИИ
Искусственный интеллект — это наука и технология на основе таких дисциплин, как информатика, биология, психология, лингвистика, математика и инженерия. Цель ИИ — разработать компьютеры, которые могут думать, видеть, слышать, ходить, говорить и чувствовать. Основное направление ИИ — развитие компьютерных функций. обычно связанные с человеческим интеллектом, такие как рассуждение, обучение и решение проблем решение.
Как развивалась область ИИ [Рисунок 11.2]
1950 Тест Тьюринга — машина работает разумно, если запросчик, использующий удаленные терминалы, не может отличить свои ответы от ответов человек.
Результат: Общие методы решения проблем
1960 Искусственный интеллект стал областью исследований.
Результат: Экспертные системы, основанные на знаниях
1970 Начало коммерциализации ИИ
Результат: Обработка транзакций и поддержка принятия решений системы с использованием ИИ.
1980 Искусственные нейронные сети
Результат: Напоминает взаимосвязанный нейрон структуры человеческого мозга
1990 Интеллектуальные агенты
Результат: Программное обеспечение, выполняющее поставленные задачи на имя пользователя
11.
2 Возможности экспертных систем: общий вид
Важнейшей прикладной областью ИИ является область экспертные системы. Экспертная система (ES) представляет собой систему, основанную на знаниях, которая использует знания о предметной области и использует процедуру логического вывода (причины) для решения проблем, которые в противном случае потребовали бы человеческой компетентности или опыта. Сила Экспертные системы вытекают, прежде всего, из конкретных знаний об узкой области, хранящихся в экспертная система база знаний .
Важно подчеркнуть учащимся, что эксперт
системы являются помощниками лиц, принимающих решения, а не их заменой. Экспертные системы делают
не обладают человеческими способностями. Они используют базу знаний конкретной области и приносят
это знание, чтобы иметь отношение к фактам конкретной ситуации. Знание
база ЭС также содержит эвристических знаний — эмпирических правил, используемых
люди-эксперты, работающие в данной области.
11.3 Применение экспертных систем
В тесте представлены некоторые иллюстративные миникейсы эксперта системные приложения. К ним относятся такие области, как принятие кредитных решений с высоким риском, реклама принятие решений и производственные решения.
Общие категории приложений экспертных систем
Таблица 11.1 описывает общие области ES приложения, в которых может быть применена ЭС. Области применения включают классификацию, диагностику, мониторинг, управление технологическим процессом, проектирование, составление графиков и планирование, а также создание вариантов.
Классификация — идентификация объекта на основе заявленных характеристики
Диагностические системы — определение неисправности или болезни по наблюдаемым данным
Мониторинг — постоянное сравнение данных наблюдаемая система предписывает поведение
Управление процессом — управление физическим процессом на основе на мониторинге
Дизайн – настроить систему в соответствии с технические характеристики
Составление расписания и планирование – разработка или изменение план действий
Генерация опций — генерировать альтернативу решения проблемы
11.
4 Как работают экспертные системы
Сила ES проистекает из его знаний base — организованный набор фактов и эвристических данных о предметной области системы. ES создается в процессе, известном как инженерия знаний , в ходе которого знания о предметной области приобретаются от экспертов-людей и из других источников посредством знаний инженеры.
Накопление знаний в базах знаний, от какие выводы должна сделать машина вывода, является отличительной чертой эксперта система.
Представление знаний и база знаний
База знаний ЭС содержит как фактические, так и эвристические знания. Представление знаний — метод, используемый для организации знания в базе знаний. Базы знаний должны представлять понятия как действия для приниматься с учетом обстоятельств, причинно-следственных связей, времени, зависимостей, целей и других высокоуровневых концепции.
Можно использовать несколько методов представления знаний.
нарисовано. Два из этих методов включают:
— используются для создания очень мощных ЭС. Рама задает атрибуты сложного объекта, а рамки для различных типов объектов имеют указанные отношения.
2. Правила производства— это самый распространенный метод познания представительство, используемое в бизнесе. Экспертные системы на основе правил экспертные системы, в которых знания представлены продукционными правилами.
Производственное правило или просто правило состоит из IF часть (условие или предпосылка) и часть ТО (действие или вывод). ЕСЛИ условие ТО действие (заключение).
Средство пояснения объясняет, как система пришла по рекомендации. В зависимости от инструмента, используемого для реализации эксперта системе объяснение может быть либо на естественном языке, либо просто перечислением правил числа.
Механизм логических выводов [Рисунок 11.4]
Механизм вывода:
1.
Сочетает факты конкретного дела с
знания, содержащиеся в базе знаний, чтобы выработать рекомендацию. В
основанная на правилах экспертная система, механизм логического вывода управляет порядком производства
применяются правила (Afired@) и разрешает конфликты, если используется более одного правила.
применимы в данное время. Это то, к чему сводится Areasoning@ в системах, основанных на правилах. 2. Направляет пользовательский интерфейс на запрос пользователя
для любой информации, необходимой для дальнейшего вывода.Обстоятельства данного дела внесены в рабочий память , которая действует как классная доска, накапливая знания о деле в рука. Механизм вывода многократно применяет правила к рабочей памяти, добавляя новые. информацию (полученную из выводов правил) к нему, пока не будет создано целевое состояние или подтвержденный.
Рисунок 11.5 Можно использовать одну из нескольких стратегий
с помощью механизма вывода, чтобы прийти к выводу. Механизмы логического вывода для систем, основанных на правилах
обычно работают либо с прямой, либо с обратной цепочкой правил.
Две стратегии:
— это стратегия, основанная на данных. Процесс вывода переходит от фактов дела к цели (заключению). Таким образом, стратегия определяется факты, имеющиеся в оперативной памяти, и посылки, которые могут быть удовлетворены. механизм вывода пытается сопоставить часть условия (IF) каждого правила в знании базу с фактами, имеющимися на данный момент в оперативной памяти. Если несколько правил совпадают, вызывается процедура разрешения конфликта; например, правило с наименьшим номером, которое добавляет новая информация в рабочую память срабатывает. Добавлен вывод правила стрельбы к рабочей памяти.
Системы прямой цепочки обычно используются для решения более открытые проблемы дизайна или планирования, такие как, например, установление конфигурации сложного изделия.
2. Обратная цепочка — механизм вывода пытается сопоставить предполагаемый
(гипотетический) вывод — цель или подцелевое состояние — с выводной (ТОГДА) частью
правило.
Если такое правило найдено, его предпосылка становится новой подцелью. В ES с несколькими
возможных целевых состояний, это хорошая стратегия для достижения.
Если гипотетическое целевое состояние не может быть помещения, система попытается доказать другое целевое состояние. Таким образом, возможные выводы пересматриваются до тех пор, пока не встретится целевое состояние, которое может поддерживаться предпосылками.
Обратная цепочка лучше всего подходит для приложений в число возможных выводов ограничено и они хорошо определены. Классификация или системы диагностического типа, в которых каждый из нескольких возможных выводов может быть проверен на посмотреть, если это поддерживается данными, являются типичными приложениями.
Неопределенность и нечеткая логика
Нечеткая логика — это метод рассуждений, напоминающий
человеческое мышление, поскольку оно допускает приблизительные значения и выводы, а также неполные или
неоднозначные данные (нечеткие данные).
Нечеткая логика — это метод выбора для обработки неопределенности в
некоторые экспертные системы.
Экспертные системы с возможностями нечеткой логики позволяют для более гибкого и творческого решения проблем. Эти системы используются, например, контролировать производственные процессы.
11.5 Технология экспертных систем [Рисунок 11.6]
Доступно несколько уровней технологий ES. При выборе инструментов ES следует помнить о двух важных вещах:
1. Инструмент, выбранный для проекта, должен соответствовать возможностям и сложности проектируемой ЭС, в частности, необходимости интегрировать его с другими подсистемами, такими как базы данных и другие компоненты более крупного информационная система. 2. Инструмент также должен соответствовать квалификации команды проекта.Технологии экспертных систем включают:
1. Специальные экспертные системы — Эти экспертные системы действительно дают рекомендации
в конкретной области задач.
— являются наиболее распространенной машиной для разработки конкретных ЭС. Оболочка — это экспертная система без базы знаний. Оболочка обеспечивает Разработчик ES с механизмом вывода, пользовательским интерфейсом, пояснениями и знаниями средства приобретения.
Оболочки для конкретных доменов на самом деле неполные специальные экспертные системы, которые требуют гораздо меньше усилий для система.
3. Среды разработки экспертных систем— эти системы расширяют возможности снарядов в различные направления. Они работают на инженерных рабочих станциях, миникомпьютерах или мейнфреймах; предлагают тесную интеграцию с большими базами данных; и поддержать создание крупного экспертного системы.
4. Языки программирования высокого уровня Несколько сред разработки ES были переписаны
из LISP в процедурный язык, чаще встречающийся в коммерческой среде,
например, С или С++.
ES теперь редко разрабатываются на языке программирования.
11.6 Роли в разработке экспертной системы
Три основные роли в создании экспертных систем:
1. Expert — Успешные системы ES зависит от опыта и применения знаний, которые люди могут привнести в него во время его разработки. Большие системы обычно требуют нескольких экспертов. 2. Инженер по знаниям — инженер по знаниям выполняет двойную задачу. Этот человек должен уметь извлекать знания из эксперт, постепенно приобретая понимание области знаний. Интеллект, такт, эмпатия и мастерство в конкретных методах приобретения знаний — все это Требования к инженеру по знаниям. Методы приобретения знаний включают проведение интервью различной степени структурированности, протокольный анализ, наблюдение за экспертами на работа, разбор случаев. С другой стороны, инженер по знаниям также должен
выберите инструмент, подходящий для проекта, и используйте его для представления знаний с
применение средства приобретения знаний .
11.7 Разработка и поддержка экспертных систем [Рис. 11.7]
Этапы методологии итеративного процесса К разработке и сопровождению ЭС относятся:
1. Выявление проблемы и ее осуществимость Анализ:— задача должна подходить для экспертной системы Найди решение.
— необходимо найти эксперта по проекту
— рентабельность системы должна быть установлено (технико-экономическое обоснование)
2. Дизайн системы и технология ES Идентификация:— система находится в стадии проектирования. Необходимая степень интеграции с другими подсистемами и базами данных установлено
— понятия, которые лучше всего представляют предметные знания, получилось
— лучший способ представить знания и выполнение логического вывода должно быть установлено с примерами случаев
3.
Разработка прототипа:— инженер по знаниям работает с экспертом над размещением исходное ядро знаний в базе знаний.
— знания должны быть выражены на языке конкретный инструмент, выбранный для проекта
4. Тестирование и доработка прототипа:— на примерах тестируется прототип, и отмечены недостатки в работе. Конечные пользователи тестируют прототипы ES.
5. Заполните и отправьте ЭП:— взаимодействие ЭС со всеми элементами ее среда, включая пользователей и другие информационные системы, обеспечена и протестирована.
— ЭП задокументирована и проведено обучение пользователей
6. Поддерживайте систему:— система поддерживается в актуальном состоянии в первую очередь за счет обновления ее база знаний.
— интерфейсы с другими информационными системами должны быть также поддерживается по мере развития этих систем.
11-8 Экспертные системы в организациях: преимущества и Ограничения
Экспертные системы предлагают как материальные, так и важные
нематериальные выгоды для компаний-собственников.
Эти выгоды должны быть взвешены по сравнению с
затраты на разработку и эксплуатацию ЭС, которые высоки для крупных, организационно
важные ЭС.
Преимущества экспертных систем
ES не заменяет спецодежду работника умственного труда. выполнение задачи по решению проблемы. Но эти системы могут значительно снизить объем работы, который человек должен выполнить, чтобы решить проблему, и они оставляют людей с творческие и инновационные аспекты решения проблем.
Некоторые из возможных организационных преимуществ экспертного системы:
1. Эс может много выполнять свою часть заданий быстрее, чем человек-эксперт. 2. Уровень ошибок успешных систем низкий, иногда намного ниже, чем частота человеческих ошибок для той же задачи. 3. ЭС дают последовательные рекомендации 4. ЭС – удобный способ доведения до точка приложения труднодоступных источников знаний. 5. ЭС могут использовать скудный опыт Эксперт уникальной квалификации. 6. Эс могут стать средством наращивания организационные знания, в отличие от знаний отдельных лиц в организации.
7. При использовании в качестве учебных транспортных средств ЭП приводят к
более быстрая кривая обучения для новичков. 8. Компания может эксплуатировать ЭП в условиях
опасны для человека. Ограничения экспертных систем
Ни одна технология не предлагает простого и комплексного решения. Большой системы являются дорогостоящими и требуют значительного времени разработки и компьютерных ресурсов. ЭС также имеют свои ограничения, которые включают в себя:
1. Ограничения технологии 2. Проблемы с получением знаний 3. Операционные домены как основная область приложение ЭП 4. Поддержание человеческого опыта в организациях11-9 Обзор прикладного искусственного интеллекта
Экспертные системы — это только одна из областей ИИ. Другие области включают:
1. Обработка естественного языка 2. Робототехника 3. Компьютерное зрение 4. Компьютеризированное распознавание речи 5. Машинное обучениеОбработка естественного языка
Способность разговаривать с компьютерами в разговорном человеческом
языки и заставить их понимать нас в целях исследователей ИИ.
Естественный язык
системы обработки становятся все более распространенными. Основное приложение для систем естественного языка
в настоящее время используется как пользовательский интерфейс для экспертных систем и систем баз данных.
Робототехника
ИИ, инженерия и физиология являются основными дисциплин робототехники. Эта технология производит машины-роботы с компьютером интеллект и управляемые компьютером, человеческие физические возможности, робототехника приложения
Компьютерное зрение
Моделирование человеческих чувств является основной целью области ИИ. Самая продвинутая сенсорная система ИИ — это компьютерное зрение или визуальная сцена. признание. Задача системы зрения — интерпретировать полученную картинку. Эти системы используются в роботах или в спутниковых системах. Используются более простые системы технического зрения. для контроля качества на производстве.
Распознавание речи
Конечной целью соответствующей области ИИ является
компьютеризированное распознавание речи или понимание связанной речи неизвестным
говорящий, в отличие от систем, которые распознают слова или короткие фразы, произносимые по одному
или системы обучаются конкретным оратором перед использованием.
Машинное обучение
Система с возможностями обучения — машинное обучение — может автоматически изменять себя, чтобы выполнять те же задачи более эффективно и более эффективно в следующий раз.
Разрабатывается ряд подходов к обучению расследовано. Подходы включают:
1. Обучение решению проблем — накапливайте опыт@ о его правилах с точки зрения их вклада в правильный совет. Правила, которых нет вклад, или те, которые, как установлено, вносят сомнительный вклад, могут быть автоматически отбрасываются или назначаются низкие факторы достоверности. 2. Обучение на основе кейсов – сбор кейсов в базу знаний и решение проблем путем поиска случая, похожего на тот, который необходимо решить. 3. Индуктивное обучение — обучение на примерах. В этом случае система способна генерировать свои знания, представленные в виде правил.11-10 Нейронные сети
Нейронные сети — это вычислительные системы, созданные по образцу
похожая на сетку сеть взаимосвязанных обрабатывающих элементов человеческого мозга, называемая нейронами.
Из
Конечно, нейронные сети намного проще, чем человеческий мозг (по оценкам, их больше, чем
100 миллиардов нейронных клеток головного мозга). Однако, подобно мозгу, такие сети могут обрабатывать многие
части информации одновременно и может научиться распознавать закономерности и программы
самостоятельно решать сопутствующие проблемы.
нейронная сеть представляет собой массив взаимосвязанные обрабатывающие элементы, каждый из которых может принимать входные данные, обрабатывать их и производить один вывод с целью имитации работы человеческого мозга. Знания представлены в нейронной сети паттерном связей между элементов обработки и регулировкой веса этих соединений.
Сила нейронных сетей в приложениях, которые требуют сложного распознавания образов. Самая большая слабость нейронных сетей заключается в том, что что они не дают объяснения выводам, которые они делают.
Таким образом, нейронную сеть можно обучить
распознавать определенные закономерности, а затем применять полученные знания к новым случаям, когда можно
различать закономерности.
Экспертные системы в области искусственного интеллекта
следующий → ← предыдущая Экспертная система — это компьютерная программа, предназначенная для решения сложных проблем и обеспечивающая возможность принятия решений наподобие человека-эксперта. Он выполняет это, извлекая знания из своей базы знаний, используя правила рассуждений и выводов в соответствии с запросами пользователя. Экспертная система является частью ИИ, а первая ЭС была разработана в 1970 году, что стало первым успешным подходом искусственного интеллекта. Он решает самую сложную проблему как эксперт, извлекая знания, хранящиеся в его базе знаний. Система помогает в принятии решений для сложных задач, используя как факты, так и эвристику, как эксперт-человек . Он называется так потому, что содержит экспертные знания в конкретной области и может решить любую сложную проблему в этой конкретной области. Производительность экспертной системы основана на знаниях эксперта, хранящихся в ее базе знаний. Чем больше знаний хранится в базе знаний, тем выше производительность системы. Одним из распространенных примеров ЭС является предположение об орфографических ошибках при наборе текста в поисковой строке Google. Ниже представлена блок-схема, представляющая работу экспертной системы: Примечание. Важно помнить, что экспертная система не заменяет людей-экспертов; вместо этого он используется, чтобы помочь человеку принять сложное решение. Эти системы не обладают человеческими способностями мышления и работают на основе базы знаний конкретной предметной области.Ниже приведены некоторые популярные примеры экспертной системы:
Характеристики экспертной системы
Компоненты экспертной системыЭкспертная система в основном состоит из трех компонентов:
1. Пользовательский интерфейс С помощью пользовательского интерфейса экспертная система взаимодействует с пользователем, принимает запросы на вход в удобочитаемом формате и передает их в механизм вывода. Получив ответ от механизма логического вывода, он отображает вывод пользователю. 2. Механизм вывода (правила механизма)
Механизм логических выводов использует следующие режимы для получения решений:
3. База знаний
Компоненты базы знаний
Представление знаний: Используется для формализации знаний, хранящихся в базе знаний, с использованием правил If-else. Получение знаний: Это процесс извлечения, организации и структурирования знаний предметной области, определения правил получения знаний от различных экспертов и сохранения этих знаний в базе знаний. Разработка экспертной системыЗдесь мы объясним работу экспертной системы на примере MYCIN ES. Ниже приведены некоторые шаги для создания MYCIN: .
Участники разработки Экспертной системы В создании экспертной системы участвуют три основных участника:
Почему экспертная система?Прежде чем использовать какую-либо технологию, мы должны иметь представление о том, зачем использовать эту технологию и, следовательно, то же самое для ES. Хотя у нас есть люди-эксперты в каждой области, зачем тогда разрабатывать компьютерную систему? Итак, ниже приведены пункты, которые описывают потребность в ES:
Возможности экспертной системыНиже приведены некоторые возможности экспертной системы:
Преимущества экспертной системы
Ограничения экспертной системы
Применение экспертной системы
|
Эти системы предназначены для определенного домена, например медицина, наука, и т. д.
Он использовался в органической химии для обнаружения неизвестных органических молекул с помощью их масс-спектров и базы знаний по химии.
Другими словами, это интерфейс, который помогает неспециалисту общаться с экспертной системой для поиска решения .
д.
Но возможно, что эксперт-человек по каким-либо причинам может не учитывать некоторые факты.
