Экспертная система — это программа для компьютера, которая оперирует со знаниями в определенной предметной области с целью выработки рекомендаций или решения проблем.

Экспертная система может полностью взять на себя функции, выполнение которых обычно требует привлечения опыта человека-специалиста, или играть роль ассистента для человека, принимающего решение. Другими словами, система (техническая или социальная), требующая принятия решения, может получить его непосредственно от программы или через промежуточное звено — человека, который общается с программой. Тот, кто принимает решение, может быть экспертом со своими собственными правами, и в этом случае программа может "оправдать" свое существование, повышая эффективность его работы. Альтернативный вариант — человек, работающий в сотрудничестве с такой программой, может добиться с ее помощью результатов более высокого качества. Вообще говоря, правильное распределение функций между человеком и машиной является одним из ключевых условий высокой эффективности внедрения экспертных систем.

История:

1. META-DENDRAL.Система DENDRAL позволяет определить наиболее вероятную структуру химического соединения по экспериментальным данным (масс- спектрографии, данным ядерном магнитного резонанса и др.).M-D автоматизирует процесс приобретения знаний для DENDRAL. Она генерирует правила построения фрагментов химических структур.

2. MYCIN-EMYCIN-TEIREIAS-PUFF-NEOMYCIN. Это семейство медицинских ЭС и сервисных программных средств для их построения.

3. PROSPECTOR-KAS. PROSPECTOR - предназначена для поиска (предсказания) месторождений на основе геологических анализов. KAS- система приобретения знаний для PROSPECTOR.

4. CASNET-EXPERT. Система CASNET- медицинская ЭС для диагностики выдачи рекомендаций по лечению глазных заболеваний. На ее основе разработан язык инженерии знаний EXPERT, с помощью которой создан ряд других медицинских диагностических систем.

5. HEARSAY-HEARSAY-2-HEARSAY-3-AGE. Первые две системы этого ряда являются развитием интеллектуальной системы распознавания слитной человеческой речи, слова которой берутся из заданного словаря. Эти системы отличаются оригинальной структурой, основанной на использовании доски объявлений- глобальной базы данных, содержащей текущие результаты работы системы. В дальнейшем на основе этих систем были созданы инструментальные системы HEARSAY-3 и AGE (Attempt to Generalize- попытка общения) для построения ЭС.

6. Системы AM (Artifical Mathematician - искусственный математик) и EURISCO были разработаны в Станфордском университете доктором Д. Ленатом для исследовательских и учебных целей. Ленат считает, что эффективность любой ЭС определяется закладываемыми в нее знаниями. По его мнению, чтобы система была способна к обучению, в нее должно быть введено около миллиона сведений общего характера. Это примерно соответствует объему информации, каким располагает четырехлетний ребенок со средними способностями. Ленат также считает, что путь создания узкоспециализированных ЭС с уменьшенным объемом знаний ведет к тупику.

Области применения:

Медицинская диагностика

Диагностические системы используются для установления связи между нарушениями деятельности организма и их возможными причинами. В настоящее время эта система ставит диагноз на уровне врача-специалиста. Она имеет расширенную базу знаний, благодаря чему может применяться и в других областях медицины.

Прогнозирование

Прогнозирующие системы предсказывают возможные результаты или события на основе данных о текущем состоянии объекта. Хотя пока еще отсутствуют ЭС, которые способны за счет своей информации о конъюнктуре рынка помочь вам увеличить капитал, прогнозирующие системы уже сегодня могут предсказывать погоду, урожайность и поток пассажиров. Даже на персональном компьютере, установив простую систему, основанную на знаниях, вы можете получить местный прогноз погоды.

Планирование

Планирующие системы предназначены для достижения конкретных целей при решении задач с большим числом переменных. Кроме того, компания Boeing применяет ЭС для проектирования космических станций, а также для выявления причин отказов самолетных двигателей и ремонта вертолетов.

Интерпретация

Интерпретирующие системы обладают способностью получать определенные заключения на основе результатов наблюдения. Система PROSPECTOR, одна из наиболее известных систем интерпретирующего типа, объединяет знания девяти экспертов. Используя сочетания девяти методов экспертизы, системе удалось обнаружить залежи руды стоимостью в миллион долларов, причем наличие этих залежей не предполагал ни один из девяти экспертов. Другая интерпретирующая система- HASP/SIAP. Она определяет местоположение и типы судов в тихом океане по данным акустических систем слежения.

Контроль и управление

Системы, основанные на знаниях, могут применятся в качестве интеллектуальных систем контроля и принимать решения, анализируя данные, поступающие от нескольких источников. Такие системы уже работают на атомных электростанциях, управляют воздушным движением и осуществляют медицинский контроль. Они могут быть также полезны при регулировании финансовой деятельности предприятия и оказывать помощь при выработке решений в критических ситуациях.

Диагностика неисправностей в механических и электрических устройствах

В этой сфере системы, основанные на знаниях, незаменимы как при ремонте механических и электрических машин (автомобилей, дизельных локомотивов и т.д.), так и при устранении неисправностей и ошибок в аппаратном и программном обеспечении компьютеров.

Обучение

Системы, основанные на знаниях, могут входить составной частью в компьютерные системы обучения. Система получает информацию о деятельности некоторого объекта (например, студента) и анализирует его поведение. База знаний изменяется в соответствии с поведением объекта.

 

Серия сообщений "Интеллектуальные информационные системы":
Часть 1 - 1. Области применения искусственного интеллекта (примеры)
Часть 2 - 2. 1.Задачи, решаемые интеллектуальными информационными системами
...
Часть 18 - 18. Операции над нечеткими множествами
Часть 19 - 19.Пополнение знаний
Часть 20 - 20. Экспертные системы.
Часть 21 - 21.Архитектура экспертных систем.
Часть 22 - 22. Этапы разработки экспертных систем.
Часть 23 - 23.Искусственные нейронные сети.
Часть 24 - 24.Этапы решения задач при помощи искусственных нейронных сетей.

Серия сообщений "Интеллектуальные информационные системы":
Часть 1 - 1. Области применения искусственного интеллекта (примеры)
Часть 2 - 2. 1.Задачи, решаемые интеллектуальными информационными системами
...
Часть 17 - 17.Нечеткие множества. Нечеткие лингвистические переменные
Часть 18 - 18. Операции над нечеткими множествами
Часть 19 - 19.Пополнение знаний
Часть 20 - 20. Экспертные системы.
Часть 21 - 21.Архитектура экспертных систем.
Часть 22 - 22. Этапы разработки экспертных систем.
Часть 23 - 23.Искусственные нейронные сети.
Часть 24 - 24.Этапы решения задач при помощи искусственных нейронных сетей.

Серия сообщений "Интеллектуальные информационные системы":
Часть 1 - 1. Области применения искусственного интеллекта (примеры)
Часть 2 - 2. 1.Задачи, решаемые интеллектуальными информационными системами
...
Часть 16 - 16.Гносеологический аспект извлечения знаний. Этапы познания.
Часть 17 - 17.Нечеткие множества. Нечеткие лингвистические переменные
Часть 18 - 18. Операции над нечеткими множествами
Часть 19 - 19.Пополнение знаний
Часть 20 - 20. Экспертные системы.
...
Часть 22 - 22. Этапы разработки экспертных систем.
Часть 23 - 23.Искусственные нейронные сети.
Часть 24 - 24.Этапы решения задач при помощи искусственных нейронных сетей.

Серия сообщений "Интеллектуальные информационные системы":
Часть 1 - 1. Области применения искусственного интеллекта (примеры)
Часть 2 - 2. 1.Задачи, решаемые интеллектуальными информационными системами
...
Часть 15 - 15.Лингвистический аспект извлечения знаний.
Часть 16 - 16.Гносеологический аспект извлечения знаний. Этапы познания.
Часть 17 - 17.Нечеткие множества. Нечеткие лингвистические переменные
Часть 18 - 18. Операции над нечеткими множествами
Часть 19 - 19.Пополнение знаний
...
Часть 22 - 22. Этапы разработки экспертных систем.
Часть 23 - 23.Искусственные нейронные сети.
Часть 24 - 24.Этапы решения задач при помощи искусственных нейронных сетей.

Суть гносеологического аспекта

Гносеология - это раздел философии, связанный с теорией познания, или теорией отражения действительности в сознании человека.

Инженерия знаний как наука, если можно так выразиться, дважды гносеологична - действительность (О) сначала отражается в сознании эксперта (М1), а затем деятельность и опыт эксперта интерпретируются сознанием инженера по знаниям (M2), что служит уже основой для построения третьей интерпретации (Pz) - поля знаний экспертной системы (Рис.17.8). Процесс познания в сущности направлен на создание внутреннего представления окружающего мира в сознании человека.

Рис. 17.8. Гносеологический аспект извлечения знаний

В процессе извлечения знаний аналитика в основном интересует компонент знания, связанный с неканоническими индивидуальными знаниями экспертов, поскольку предметные области именно с таким типом знаний считаются наиболее восприимчивыми к внедрению экспертных систем. Эти области обычно называют эмпирическими, так как в них накоплен большой объем отдельных эмпирических фактов и наблюдений, в то время как их теоретическое обобщение - вопрос будущего.

Познание всегда связано с созданием новых понятий и теории. Интересно, что часто эксперт как бы "на ходу" порождает новые знания, прямо в контексте беседы с аналитиком. Такая генерация знаний может быть полезна и самому эксперту, который до того момента мог не осознавать ряд соотношений и закономерностей предметной области. Аналитику, который является "повитухой" при рождении нового знания, может помочь тут и инструментарий системной методологии, позволяющий использовать известные принципы логики научных исследований, понятийной иерархии науки. Эта методология заставляет его за частным увидеть общее, т.е. строить цепочки:

ФАКТ═ - >═ ОБОБЩЕННЫЙ ФАКТ═ - > ЭМПИРИЧЕСКИЙ ЗАКОН═ - > ТЕОРЕТИЧЕСКИЙ ЗАКОН.

Не всегда инженер по знаниям дойдет до последнего звена этой цепочки, но уже само стремление к движению бывает чрезвычайно плодотворным. Такой подход полностью согласуется со структурой самого знания, которое имеет два уровня:

 эмпирический (наблюдения, явления);

 теоретический (законы, абстракции, обобщения).

Критерии научного знания

Теория - это не только стройная система обобщения научного знания, это также некоторый способ производства новых знаний. Основными методологическими критериями научности, позволяющими считать научным и само новое знание, и способ его получения являются [8]:

 внутренняя согласованность и непротиворечивость;

 системность;

 объективность;

 историзм.

Внутренняя согласованность. Этот критерий в эмпирических областях на первый взгляд просто не работает: в них факты часто не согласуются друг с другом, определения противоречивы, диффузны и.т.д. Аналитику, знающему особенности эмпирического знания, его модальность, противоречивость и неполноту, приходится сглаживать эти "шероховатости" эмпирики.

Модальность знания означает возможность его существования в различных категориях, т.е. в конструкциях существования и долженствования. Таким образом, часть закономерностей возможна, другая обязательна и.т.д. Кроме того, приходится различать такие оттенки модальности, как: эксперт знает, что ...; эксперт думает, что ...; эксперт хочет, чтобы...; эксперт считает, что ...

Возможная противоречивость эмпирического знания - естественное следствие из основных законов диалектики, и противоречия эти невсегда должны разрешаться в поле знаний, а напротив, именно противоречия служат чаще всего отправной точкой в рассуждениях экспертов.

Неполнота знания связана с невозможностью полного описания предметной области. Задача аналитика эту неполноту ограничить определенными рамками "полноты", т.е. сузить границы предметной области, либо ввести ряд ограничений и допущений, упрощающих проблему.

Системность. Системно-структурный подход к познанию (восходящий еще к Гегелю) ориентирует аналитика на рассмотрение любой предметной области с позиций закономерностей системного целого и взаимодействия составляющих его частей. Современный структурализм исходит из многоуровневой иерархической организации любого объекта, т.е. все процессы и явления можно рассматривать как множество более мелких подмножеств (признаков, деталей) и, наоборот, любые объекты можно (и нужно) рассматривать как элементы более высоких классов обобщений.═

Объективность. Процесс познания глубоко субъективен, т.е. он существенно зависит oт особенностей самого познающего субъекта. Субъективность начинается уже с описания фактов и увеличивается по мере углубления идеализации объектов.

Следовательно, более корректно говорить о глубине понимания, чем об объективности знания. Понимание - это сотворчество, процесс истолкования объекта с точки зрения субъекта. Это сложный и неоднозначный процесс, совершающийся в глубинах человеческого сознания и требующий мобилизации всех интеллектуальных и эмоциональных способностей человека. Все свои усилия аналитик должен сосредоточить на понимании проблемы. В психологии [3] подтверждается факт, что люди, быстро и успешно решающие интеллектуальные задачи, большую часть времени тратят на понимание ее, в то время как быстро приступающие к поискам решения, чаще всего не могут его найти.

Историзм. Этот критерий связан с развитием. Познание настоящегоесть познание породившего его прошлого. И хотя большинство экспертных систем дают "горизонтальный" срез знаний - без учета времени (в статике), инженер по знаниям должен всегда рассматривать процессы с учетом временных изменений - как связь с прошлым, так и связь с будущим. Например, структура поля знаний и база знаний должны допускать подстройку и коррекцию, как в период разработки, так и во время эксплуатации экспертной системы.

Структура познания

Рассмотрев основные критерии научности познания, попытаемся теперь описать его структуру. Методологическая структура познания может быть представлена как последовательность этапов (рис. 17.9) [8], которые рассмотрим с позиций инженера по знаниям.

Описание и обобщение фактов. Это как бы "сухой остаток" бесед аналитика с экспертом. Тщательность и полнота ведения протоколов во время процесса извлечения и пунктуальная "домашняя работа" над ними - вот залог продуктивного первого этапа познания.

На практике оказывается трудным придерживаться принципов объективности и системности, описанных выше. Чаще всего на этом этапе факты просто собирают и как бы бросают в "общий мешок"; опытный инженер по знаниям часто сразу пытается найти "полочку" или "ящичек" для каждого факта, тем самым подспудно готовясь к этапу концептуализации.═

Установление связей и закономерностей. В голове эксперта связи установлены, хотя часто и неявно; задача инженера - выявить каркас умозаключений эксперта. Реконструируя рассуждения эксперта, инженер по знаниям может опираться на две наиболее популярные теории мышления - логическую и ассоциативную. При этом, если логическая теория благодаря горячим поклонникам в лице математиков широко цитируется и всячески эксплуатируется в работах по искусственному интеллекту, то вторая, ассоциативная, менее известна и популярна, хотя имеет также древние корни. Красота и стройность логической теории не должны заслонять печального факта, что человек редко мыслит в категориях математической логики [14].

Ассоциативная теория представляет мышление как цепочку идей, связанных общими понятиями. Основными операциями такого мышления являются ассоциации, приобретенные на основе различных связей; припоминание прошлого опыта; пробы и ошибки со случайными успехами; привычные ("автоматические") реакции и пр.

Построение идеализированной модели. Для построения модели, отражающей представление субъекта о предметной области, необходим специализированный язык, с помощью которого можно описывать и конструировать те идеализированные модели мира, которые возникают в процессе мышления. Язык этот создается постепенно с помощью категориального аппарата, принятого в соответствующей предметной области, а также формально-знаковых средств математики и логики. Для эмпирических, предметных областей такой язык пока не разработан, и поле знаний, которое полуформализованным способом опишет аналитик, может быть первым шагом к созданию такого языка.

Объяснение и предсказание моделей. Этот завершающий этап структуры познания является одновременно и частичным критерием истинности полученного знания. Если выявленная система знаний эксперта полна и объективна, то на ее основании можно делать прогнозы и объяснять любые явления из данной предметной области. Обычно базы знаний экспертных систем страдают фрагментарностью и модульностью (несвязанностью) компонентов. Все это не позволяет создавать действительно интеллектуальные системы, которые, равняясь на человека, могли бы предсказывать новые закономерности и объяснять случаи, не указанные в явном виде в базе. Исключением тут являются системы формирования знаний, которые ориентированы на генерацию новых знаний и "предсказание".

В заключение перечислим наиболее часто встречающиеся неудачи, связанные с гносеологическими проблемами инженерии знаний (частично из [16]):

 обрывочность, фрагментарность знаний (из-за нарушений принципа системности или ошибок в выборе фокуса внимания);

 противоречивость знаний (из-за естественной противоречивости природы и общества неполноты извлеченных знаний, некомпетентности эксперта);

 ошибочная классификация (из-за неправильного определения числа классов или неточного описания класса);

 ошибочный уровень обобщения (из-за чрезмерной детализации или обобщенности классов объектов).

Серия сообщений "Интеллектуальные информационные системы":
Часть 1 - 1. Области применения искусственного интеллекта (примеры)
Часть 2 - 2. 1.Задачи, решаемые интеллектуальными информационными системами
...
Часть 14 - 14.Психологический аспект извлечения знаний.
Часть 15 - 15.Лингвистический аспект извлечения знаний.
Часть 16 - 16.Гносеологический аспект извлечения знаний. Этапы познания.
Часть 17 - 17.Нечеткие множества. Нечеткие лингвистические переменные
Часть 18 - 18. Операции над нечеткими множествами
...
Часть 22 - 22. Этапы разработки экспертных систем.
Часть 23 - 23.Искусственные нейронные сети.
Часть 24 - 24.Этапы решения задач при помощи искусственных нейронных сетей.

Серия сообщений "Интеллектуальные информационные системы":
Часть 1 - 1. Области применения искусственного интеллекта (примеры)
Часть 2 - 2. 1.Задачи, решаемые интеллектуальными информационными системами
...
Часть 13 - 13.Практические методы извлечения знаний. Активные.
Часть 14 - 14.Психологический аспект извлечения знаний.
Часть 15 - 15.Лингвистический аспект извлечения знаний.
Часть 16 - 16.Гносеологический аспект извлечения знаний. Этапы познания.
Часть 17 - 17.Нечеткие множества. Нечеткие лингвистические переменные
...
Часть 22 - 22. Этапы разработки экспертных систем.
Часть 23 - 23.Искусственные нейронные сети.
Часть 24 - 24.Этапы решения задач при помощи искусственных нейронных сетей.

Серия сообщений "Интеллектуальные информационные системы":
Часть 1 - 1. Области применения искусственного интеллекта (примеры)
Часть 2 - 2. 1.Задачи, решаемые интеллектуальными информационными системами
...
Часть 12 - 12.Практические методы извлечения знаний. Пассивные и текстологические.
Часть 13 - 13.Практические методы извлечения знаний. Активные.
Часть 14 - 14.Психологический аспект извлечения знаний.
Часть 15 - 15.Лингвистический аспект извлечения знаний.
Часть 16 - 16.Гносеологический аспект извлечения знаний. Этапы познания.
...
Часть 22 - 22. Этапы разработки экспертных систем.
Часть 23 - 23.Искусственные нейронные сети.
Часть 24 - 24.Этапы решения задач при помощи искусственных нейронных сетей.

Серия сообщений "Интеллектуальные информационные системы":
Часть 1 - 1. Области применения искусственного интеллекта (примеры)
Часть 2 - 2. 1.Задачи, решаемые интеллектуальными информационными системами
...
Часть 11 - 11.Стратегии получения знаний. Извлечение знаний.
Часть 12 - 12.Практические методы извлечения знаний. Пассивные и текстологические.
Часть 13 - 13.Практические методы извлечения знаний. Активные.
Часть 14 - 14.Психологический аспект извлечения знаний.
Часть 15 - 15.Лингвистический аспект извлечения знаний.
...
Часть 22 - 22. Этапы разработки экспертных систем.
Часть 23 - 23.Искусственные нейронные сети.
Часть 24 - 24.Этапы решения задач при помощи искусственных нейронных сетей.

Серия сообщений "Интеллектуальные информационные системы":
Часть 1 - 1. Области применения искусственного интеллекта (примеры)
Часть 2 - 2. 1.Задачи, решаемые интеллектуальными информационными системами
...
Часть 10 - 10.Стратегии получения знаний. Методы приобретения знаний.
Часть 11 - 11.Стратегии получения знаний. Извлечение знаний.
Часть 12 - 12.Практические методы извлечения знаний. Пассивные и текстологические.
Часть 13 - 13.Практические методы извлечения знаний. Активные.
Часть 14 - 14.Психологический аспект извлечения знаний.
...
Часть 22 - 22. Этапы разработки экспертных систем.
Часть 23 - 23.Искусственные нейронные сети.
Часть 24 - 24.Этапы решения задач при помощи искусственных нейронных сетей.

Серия сообщений "Интеллектуальные информационные системы":
Часть 1 - 1. Области применения искусственного интеллекта (примеры)
Часть 2 - 2. 1.Задачи, решаемые интеллектуальными информационными системами
...
Часть 9 - 9.Классификация уровней понимания.
Часть 10 - 10.Стратегии получения знаний. Методы приобретения знаний.
Часть 11 - 11.Стратегии получения знаний. Извлечение знаний.
Часть 12 - 12.Практические методы извлечения знаний. Пассивные и текстологические.
Часть 13 - 13.Практические методы извлечения знаний. Активные.
...
Часть 22 - 22. Этапы разработки экспертных систем.
Часть 23 - 23.Искусственные нейронные сети.
Часть 24 - 24.Этапы решения задач при помощи искусственных нейронных сетей.