Экспертная система falcon: Экспертные системы как разновидность систем ИИ
Экспертные системы реального времени | Открытые системы. СУБД
15.02.1995
Э. В. Попов
интеллекта
и их причины
— основное направление искусственного интеллекта
времени
Искусственный интеллект вообще и экспертные системы в частности прошли долгий и тернистый путь: первые увлечения (1960 год), лженаука (1960-65), успехи при решении головоломок и игр (19651975), разочарование при решении практических задач (1970-1985), первые успехи при решении ряда практических задач (1962-1992), массовое коммерческое использованив при решении практических задач (1993-1995). В статье показано, что основу коммерческого успеха составляют экспертные системы и, в первую очередь, экспертные системы реального времени. Именно они позволили искусственному интеллекту перейти от игр и головоломок к массовому использованию при решении практически значимых задач. В статье определены требования, которым должен удовлетворять экспертная система реального времени. Описаны структура и основные компоненты такой системы на примере оболочки 62, разработанной лидером в этом сегменте мирового рынка компанией Gemsym.
Состояние и тенденции развития искусственного интеллекта
Программные средства, базирующиеся на технологии и методах искусственного интеллекта, получили значительное распространение в мире. Их важность, и, в первую очередь, экспертных систем и нейронных сетей, состоит в том, что данные технологии существенно расширяют круг практически значимых задач, которые можно решать на компьютерах, и их решение приносит значительный экономический эффект. В то же время, технология экспертных систем является важнейшим средством в решении глобальных проблем традиционного программирования: длительность и, следовательно, высокая стоимость разработки приложений; высокая стоимость сопровождения сложных систем; повторная используемость программ и т.п. Кроме того, объединение технологий экспертных систем и нейронных сетей с технологией традиционного программирования добавляет новые качества к коммерческим продуктам за счет обеспечения динамической модификации приложений пользователем, а не программистом, большей «прозрачности» приложения (например, знания хранятся на ограниченном естественном языке, что не требует комментариев к ним, упрощает обучение и сопровождение), лучших графических средств, пользовательского интерфейса и взаимодействия.
По мнению специалистов [1], в недалекой перспективе экспертные системы будут играть ведущую роль во всех фазах проектирования, разработки, производства, распределения, продажи, поддержки и оказания услуг. Их технология, получив коммерческое распространение, обеспечит революционный прорыв в интеграции приложений из готовых интеллектуально-взаимодействующих модулей.
Коммерческий рынок продуктов искусственного интеллекта в мире в 1993 году оценивался примерно в 0,9 млрд. долларов; из них 600 млн. приходится на долю США [2]. Выделяют несколько основных направлений этого рынка:
— «системы, основанные на знаниях»;
В США в 1993 году рынок между этими направлениями распределился так [2]: экспертные системы — 62%, нейронные сети — 26%, естественно-языковые системы — 12%. Рынок этот можно разделить и иначе: на системы искусственного интеллекта (приложения) и инструментальные средства, предназначенные для автоматизации всех этапов существования приложения. В 1993 году в общем объеме рынка США доля приложений составила примерно две, а доля инструментария — примерно одну треть [2].
Успехи систем искусственного интеллекта и их причины
Использование экспертных систем и нейронных сетей приносит значительный экономический эффект. Так, например:
— American Express [1] сократила свои потери на 27 млн. долларов в год благодаря экспертной системе, определяющей целесообразность выдачи или отказа в кредите той или иной фирме;
— DEC ежегодно экономит [1] 70 млн. долларов в год благодаря системе XCON/XSEL, которая по заказу покупателя составляет конфигурацию вычислительной системы VAX. Ее использование сократило число ошибок от 30% до 1%;
— Sira сократила затраты на строительство трубопровода в Австралии на 40 млн. долларов [3] за счет управляющей трубопроводом экспертной системы, реализованной на базе описываемой ниже системы G2.
Коммерческие успехи к экспертным системам и нейронным сетям пришли не сразу. На протяжении ряда лет (с 1960-х годов) успехи касались в основном исследовательских разработок, демонстрировавших пригодность систем искусственного интеллекта для практического использования. Начиная примерно с 1985 (а в массовом масштабе, вероятно, с 1988-1990 годов), в первую очередь, экспертные системы, а в последние два года и нейронные сети стали активно использоваться в реальных приложениях.
Причины, приведшие системы искусственного интеллекта к коммерческому успеху, следующие:
1. Специализация. Переход от разработки инструментальных средств общего назначения к проблемно/предметно специализированным средствам [4], что обеспечивает сокращение сроков разработки приложений, увеличивает эффективность использования инструментария, упрощает и ускоряет работу эксперта, позволяет повторно использовать информационное и программное обеспечение (объекты, классы, правила, процедуры).
2. Использование языков традиционного программирования и рабочих станций. Переход от систем, основанных на языках искусственного интеллекта (Lisp, Prolog и т.п.), к языкам традиционного программирования (С, С++ и т.п.) упростил «интегрированность» и снизил требования приложений к быстродействию и емкости памяти. Использование рабочих станций вместо ПК резко увеличило круг возможных приложений методов искусственного интеллекта.
3. Интегрированность. Разработаны инструментальные средства искусственного интеллекта, легко интегрирующиеся с другими информационными технологиями и средствами (с CASE, СУБД, контроллерами, концентраторами данных и т.п.).
4. Открытость и переносимость. Разработки ведутся с соблюдением стандартов, обеспечивающих данные характеристики [5].
5. Архитектура клиент/сервер. Разработка распределенной информационной системы в данной архитектуре позволяет снизить стоимость оборудования, используемого в приложении, децентрализовать приложения, повысить надежность и общую производительность, поскольку сокращается объем информации, пересылаемой между ЭВМ, и каждый модуль приложения выполняется на адекватном оборудовании.
Перечисленные причины могут рассматриваться как общие требования к инструментальным средствам создания систем искусственного интеллекта.
Из пяти факторов, обеспечивших их успех в передовых странах, в России, пожалуй, полностью не реализованы четыре с половиной (в некоторых отечественных системах осуществлен переход к языкам традиционного программирования, однако они, как правило, ориентированы среду на MS-DOS, а не ОС UNIX или Windows NT. Кроме того, в России и СНГ в ряде направлений исследования практически не ведутся, и, следовательно, в этих направлениях (нейронные сети; гибридные системы; рассуждения, основанные на прецедентах; рассуждения, основанные на ограничениях) нельзя ожидать и появления коммерческих продуктов.
Итак, в области искусственного интеллекта наибольшего коммерческого успеха достигли экспертные системы и средства для их разработки. В свою очередь, в этом направлении наибольшего успеха достигли проблемно/предметно специализированные средства. Если в 1988 году доход от них составил только 3 млн. долларов, то в 1993 году — 55 млн. долларов.
Экспертные системы реального времени — основное направление искусственного интеллекта
Среди специализированных систем, основанных на знаниях, наиболее значимы экспертные системы реального времени, или динамические экспертные системы. На их долю приходится 70 процентов этого рынка.
Значимость инструментальных средств реального времени определяется не столько их бурным коммерческим успехом (хотя и это достойно тщательного анализа), но, в первую очередь, тем, что только с помощью подобных средств создаются стратегически значимые приложения в таких областях, как управление непрерывными производственными процессами в химии, фармакологии, производстве цемента, продуктов питания и т.п., аэрокосмические исследования, транспортировка и переработка нефти и газа, управление атомными и тепловыми электростанциями, финансовые операции, связь и многие другие.
Классы задач, решаемых экспертными системами реального времени, таковы: мониторинг в реальном масштабе времени, системы управления верхнего уровня, системы обнаружения неисправностей, диагностика, составление расписаний, планирование, оптимизация, системы-советчики оператора, системы проектирования.
Статические экспертные системы не способны решать подобные задачи, так как они не выполняют требования, предъявляемые к системам, работающим в реальном времени:
1. Представлять изменяющиеся во времени данные, поступающие от внешних источников, обеспечивать хранение и анализ изменяющихся данных.
2. Выполнять временные рассуждения о нескольких различных асинхронных процессах одновременно (т.е. планировать в соответствии с приоритетами обработку поступивших в систему процессов).
3. Обеспечивать механизм рассуждения при ограниченных ресурсах (время, память). Реализация этого механизма предьявляет требования к высокой скорости работы системы, способности одновременно решать несколько задач (т.е. операционные системы UNIX, VMS, Windows NT, но не MS-DOS).
4. Обеспечивать «предсказуемость» поведения системы, т.е. гарантию того, что каждая задача будет запущена и завершена в строгом соответствии с временными ограничениями. Например, данное требование не допускает использования в экспертной системе реального времени механизма «сборки мусора», свойственного языку Lisp.
5. Моделировать «окружающий мир», рассматриваемый в данном приложении, обеспечивать создание различных его состояний.
6. Протоколировать свои действия и действия персонала, обеспечивать восстановление после сбоя.
7. Обеспечивать наполнение базы знаний для приложений реальной степени сложности с минимальными затратами времени и труда (необходимо использование объектно-ориентированной технологии, общих правил, модульности и т.п.).
8. Обеспечивать настройку системы на решаемые задачи (проблемная/предметная ориентированность).
9. Обеспечивать создание и поддержку пользовательских интерфейсов для различных категорий пользователей.
10. Обеспечивать уровень защиты информации (по категориям пользователей) и предотвращать несанкционированный доступ.
Подчеркнем, что кроме этих десяти требований средства создания экспертных систем реального времени должны удовлетворять и перечисленным выше общим требованиям.
Основные производители
Инструментарий для создания экспертных систем реального времени впервые выпустила фирма Lisp Machine Inc в 1985 году. Этот продукт предназначался для символьных ЭВМ Symbolics и носил название Picon. Его успех привел к тому, что группа ведущих его разработчиков образовала фирму Gensym, которая, значительно развив идеи, заложенные в Picon, выпустила в 1988 году инструментальное средство под названием G2. В настоящий момент работает его третья версия и подготовлена четвертая [1,7].
С отставанием от Gensym на два-три года ряд других фирм начал создавать (или пытаться создавать) свои инструментальные средства. Назовем ряд из них: RT Works (фирма Talarian, США), COMDALE/C (Comdale Techn., Канада), COGSYS (SC, США), ILOG Rules (ILOG, Франция). Сравнение двух наиболее продвинутых систем, G2 и RT Works, которое проводилось путем разработки одного и того же приложения двумя организациями, NASA (США) и Storm Integration (США) [10], показало значительное превосходство первой.
Архитектура экспертной системы реального времени
Специфические требования, предъявляемые к экспертной системе реального времени, приводят к тому, что их архитектура отличается от архитектуры статических систем. Не вдаваясь в детали, отметим появление двух новых подсистем — моделирования внешнего окружения и сопряжения с внешним миром (датчиками, контроллерами, СУБД и т.п.) — и значительные изменения, которым подвергаются оставшиеся подсистемы.
Для того, чтобы понять, что представляет из себя среда для создания экспертных систем реального времени, опишем ниже жизненный цикл такой системы, а также ее основные компоненты. Описание оболочки экспертной системы реального времени приведем на примере средства G2, поскольку в нем полностью реализованы возможности, которые считаются необходимыми и уместными в подобных программных продуктах.
Жизненный цикл приложения
Жизненный цикл приложения в G2 состоит из ряда этапов.
Разработка прототипа приложения. Разработчиком обычно является специалист в конкретной области знаний. Он в ходе обсуждений с конечным пользователем определяет функции, выполняемые прототипом. При разработке прототипа не используется традиционное программирование. Создание прототипа обычно занимает от одной до двух недель (при наличии у разработчика опыта по созданию приложений в данной среде. Прототип, как и приложение, создается на структурированном естественном языке, с использованием объектной графики, иерархии классов объектов, правил, динамических моделей внешнего мира. Многословность языка сведена к минимуму путем введения операции клонирования, позволяющей размножить любую сущность базы знаний.
Расширение прототипа до приложения. Конечный пользователь предлагает этапность проведения работ, направления развития базы знаний, указывает пропуски в ней. Разработчик может расширять и модифицировать базу знаний в присутствии пользователя даже в тот момент, когда приложение исполняется. В ходе этой работы прототип развивается до такого состояния, что начинает удовлетворять представлениям конечного пользователя. В крупных приложениях команда разработчиков может разбить приложение на отдельные модули, которые интегрируются в единую базу знаний.
Возможен и альтернативный подход к созданию приложения. При этом подходе каждый разработчик имеет доступ к базе знаний, находящейся на сервере, при помощи средства, называемого Telewindows, обычно расположенного на компьютереклиенте. В этом случае разработчики могут иметь различные авторизованные уровни доступа к приложению. Приложение может быть реализовано не только на различных ЭВМ, но и с использованием нескольких взаимодействующих оболочек G2.
Тестирование приложения на наличие ошибок. В G2 ошибки в синтаксисе показываются непосредственно при вводе конструкций (структур данных и исполняемых утверждений) в базу данных; эти конструкции анализируются инкрементно. Могут быть введены только конструкции, не содержащие синтаксических ошибок. Таким образом, отпадает целая фаза отладки приложения (свойственная традиционному программированию), что ускоряет разработку приложений.
Разработчик освобожден и от необходимости знать детальный синтаксис языка G2, так как при вводе в базу знаний некоторой конструкции ему в виде подсказки сообщается перечень всех возможных синтаксически правильных продолжений.
Для выявления ошибок и неопределенностей реализована возможность «Inspect», позволяющая просматривать различные аспекты базы знаний, например, «показать все утверждения со ссылками на неопределенные сущности (объекты, связи, атрибуты)», «показать графически иерархию заданного класса объектов», «показать все сущности, у которых значение атрибута Notes не ОК». (Данный атрибут есть у всех сущностей, представимых в языке G2; его значение — либо ОК, когда нет претензий к сущности, либо описание реальных или потенциальных проблем, например, ссылка на несуществующий объект, несколько объектов с одним именем и т.п.)
Тестирование логики приложения и ограничений (по времени и памяти). Блок динамического моделирования позволяет при тестировании воссоздать различные ситуации, адекватные внешнему миру. Таким образом, логика приложения будет проверяться в тех условиях, для которых она создавалась. Конечный пользователь может принять непосредственное участие в тестировании благодаря управлению цветом (т.е. изменение цвета при наступлении заданного состояния или выполнения условия) и анимации (т.е. перемещение/вращение сущности при наступлении состояния/условия). Благодаря этому он сможет понять и оценить логику работы приложения, не анализируя правила и процедуры, а рассматривая графическое изображение управляемого процесса, технического сооружения и т.п.
Для проверки выполнения ограничений используется возможность «Meters», вычисляющая статистику по производительности и используемой памяти.
Полученное приложение полностью переносимо на различные платформы в среду UNIX (SUN, DEC, HP, IBM и т.д.), VMS (DEC VAX) и Windows NT (Intel, DEC Alpha). База знаний сохраняется в обычном ASCII-файле, который однозначно интерпретируется на любой из поддерживаемых платформ. Перенос приложения не требует его перекомпиляции и заключается в простом перемещении файлов. Функциональные возможности и внешний вид приложения не претерпевают при этом никаких изменений. Приложение может работать как в «полной» (т.е. предназначенной для разработки) среде, так и под runtime, которая не позволяет модифицировать базу знаний.
Сопровождение приложения. Не только сам разработчик данного приложения, но и любой пользователь может легко его понять и сопровождать, так как все объекты/классы, правила, процедуры, функции, формулы, модели хранятся в базе знаний в виде структурированного естественного языка и в виде графических объектов. Для ее просмотра используется возможность «Inspect». Сопровождение упрощается за счет того, что различным группам пользователей выдается не вся информация, а только ее часть, соответствующая их потребностям.
Основные компоненты
Экспертная система реального времени состоит из базы знаний, машины вывода, подсистемы моделирования и планировщика.
База знаний
Все знания в G2 хранятся в двух типах файлов: базы знаний и библиотеки знаний. В файлах первого типа хранятся знания о приложениях: определения всех объектов, объекты, правила, процедуры и т.п. В файлах библиотек хранятся общие знания, которые могут быть использованы более, чем в одном приложении, например, определение стандартных объектов. Файлы баз знаний могут преобразоваться в библиотеки знаний и обратно.
В целях обеспечения повторной используемости приложений реализовано средство, позволяющее объединять с текущим приложением ранее созданные базы и библиотеки знаний. При этом конфликты в объединяемых знаниях выявляются и отображаются на дисплее.
Знания структурируются: предусмотрены иерархия классов, иерархия модулей, иерархия рабочих пространств. Каждую из них можно показать на дисплее.
Сущности и иерархия классов
Класс, базовое понятие объектно-ориентированной технологии, — основа представления знаний в G2. Данный подход составляет основную тенденцию в программировании вообще, поскольку он уменьшает избыточность и упрощает определение классов (определяется не весь класс, а только его отличия от суперкласса), позволяет использовать общие правила, процедуры, формулы, уменьшает их число, да и является естественным для человека способом описания сущностей. При таком подходе структуры данных представляются в виде классов объектов (или определений объектов), имеющих определенные атрибуты. Классы наследуют атрибуты от суперклассов и передают свои атрибуты подклассам. Каждый класс (исключая корневой) может иметь конкретные экземпляры класса.
Все, что хранится в базе знаний и с чем оперирует система, является экземпляром того или иного класса. Более того, все синтаксические конструкции G2 являются
Примеры экспертных систем
В настоящее время экспертные системы используются для решения различных типов задач в самых разнообразных проблемных областях, таких, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, химия, образование, телекоммуникации и связь и др. Рассмотрим наиболее яркие примеры экспертных систем.
Примеры экспертных систем в военном деле
ACES. Экспертная система выполняет картографические работы по нанесению обстановки на карты. Система получает в качестве исходных данных карту без обстановки и информацию, описывающую расположение объектов на местности. Система выдает карту, содержащую все желаемые условные обозначения и подписи, размещенные без взаимного наложения. ACES применяет объектно-ориентированную схему представления знаний и реализована на языке Loops для работы на АРМ Xerox Dolphin. Система разработана компанией ESL и доведена до уровня исследовательского прототипа.
ASTA. Экспертная система помогает аналитику определить тип радара, пославшего перехваченный сигнал. Система анализирует этот сигнал в свете имеющихся у нее общих знаний о физике радаров и специальных знаний о конкретных типах радарных систем. ASTA также помогает аналитику, обеспечивая ему доступ к соответствующим базам данных и давая объяснения своим заключениям. Знания в системе представлены в виде правил. Эта система разработана компанией Advanced Information & Decision Systems и доведена до уровня исследовательского прототипа.
DART. Экспертная система помогает обрабатывать разведданные о центрах командования, управления и связи противника. Она дает советы аналитикам по идентификации критических узлов сети командования, управления и связи и помогает обрабатывать сообщения о боевой обстановке. Система DART реализована на языках Паскаль и Си для компьютерных систем VAX 11/780. Она разработана компанией «Par Technology Corporation» и доведена до уровня исследовательского прототипа.
HANNIBAL. Экспертная система выполняет оценивание ситуаций в области разведки радиообмена противника. Система идентифицирует соединения противника и боевой порядок их связи, интерпретируя данные радиоперехвата. Эти данные включают информацию о местонахождении и характеристиках сигналов (частоте, модуляции, классе канала и другие) обнаруженных средств связи. Знания в системе представлены в рамках архитектуры доски объявлений, координирующей деятельность нескольких специалистов, или источников знаний. Система реализована с помощью средств AGE. Она разработана компанией ESL и доведена до уровня исследовательского прототипа.
I&W. Экспертная система помогает аналитикам из разведки предсказывать, когда и где произойдет следующее вооруженное столкновение. Система анализирует поступающие сообщения разведки, например донесения о местонахождении воинских соединений, их деятельности и передвижениях, применяя знания об обычных признаках активности войск. Знания представлены в рамках архитектуры доски объявлений, в которой для обеспечения компетентности применены как правила с прямой цепочкой рассуждений, так и фреймы. Система реализована на языке INTERLISP-D для АРМ Xerox 1100. Она разработана компанией ESL в сотрудничестве со Стенфордским университетом и доведена до уровня демонстрационного прототипа.
RUBRIC. Экспертная система помогает пользователю получить доступ к базам данных, содержащим неформатированные тексты. Например, когда пользователь называет какую-нибудь тему, RUBRIC автоматически разыскивает все документы, содержащие тексты, связанные с этой темой. В системе RUBRIC взаимоотношения между темами, подтемами и фразами, содержащими ключевые слова, выражены в виде правил. Правила также определяют другие варианты терминов, выражений и способов написания одной и той же темы или понятия. Пользователь может сформулировать запрос в виде правила, задающего критерий поиска, например эвристический вес, определяющий насколько сильно образец правила указывает на наличие темы правила. В ходе поиска RUBRIC предоставляет пользователю документы, которые лежат в кластере, содержащем по крайней мере один документ с весом выше заданного пользователем порога. Это предотвращает ситуацию, в которой произвольно выбранный порог мог бы разделить близкие по рангу документы. Система реализована на языке FRANZ LISP, разработана компанией «Advanced Information & Decision Systems» и доведена до уровня исследовательского прототипа.
Пример экспертной системы в информатике
CODES. Экспертная система помогает разработчику базы данных, желающему использовать подход IDEF1 для определения концептуальной схемы базы данных. Хотя в качестве подхода IDEF1 полезна, сложность ее правил часто сдерживает ее применение. Разработчик описывает, какие свойства и взаимосвязи желательны в базе данных, под руководством системы CODES, осуществляемым в форме диалога. Затем система применяет свои знания в виде правил и эвристик IDEF1 для построения концептуальной схемы разрабатываемой базы данных. Знания в CODES представлены в виде правил с применением обратной цепочки рассуждений в качестве стратегии управления. CODES реализована на языке UCI LISP. Она была разработана в Университете штата Южная Калифорния и доведена до уровня демонстрационного прототипа.
Пример экспертной системы в компьютерных системах
MIXER. Экспертная система оказывает помощь программистам в написании микропрограмм для разработанной Texas Instruments СБИС TI990. По заданному описанию микропрограммы система получает оптимизированные микропрограммы для TI990. MIXER содержит знания по микропрограммированию для TI990, взятые из руководства и из анализа микропрограммы управляющего ПЗУ TI990. Сюда относятся знания о том, как преобразовывать введенные описания в наборы промежуточных операций, как выделить соответствующие регистры под переменные и как преобразовать промежуточные операции в наборы микроопераций. MIXER использует эти знания, чтобы определить, какие микрооперации являются лучшими для реализации микропрограммы. Система представляет знания в виде правил и данных, обладает унификацией, управляемой механизмом вывода, и динамическим возвратом. MIXER реализована на языке Пролог. Она была разработана в Токийском университете и доведена до уровня демонстрационного прототипа.
Пример экспертной системы в электронике
ACE. Экспертная система определяет неисправности в телефонной сети и дает рекомендации по необходимому ремонту и восстановительным мероприятиям. Система работает без вмешательства пользователя, анализируя сводки-отчеты о состоянии, получаемые ежедневно с помощью CRAS, программы, следящей за ходом ремонтных работ в кабельной сети. ACE обнаруживает неисправные телефонные кабели и затем решает, нуждаются ли они в планово-предупредительном ремонте и выбирает, какой тип ремонтных работ вероятнее всего будет эффективным. Затем ACE запоминает свои рекомендации в специальной базе данных, к которой у пользователя есть доступ. Система принимает решения, применяя знания относительно телефонных станций, сообщения системы CRAS и стратегии анализа сетей. Представление знаний в системе основано на правилах, используется схема управления посредством прямой цепочки рассуждений. АСЕ реализована на языках OPS4 и FRANZ LISP и работает на микропроцессорах серии AT&T 3B-2, размещенных в подстанциях наблюдения состояния кабеля. Она разработана в Bell Laboratories. АСЕ прошла опытную эксплуатацию и доведена до уровня коммерческой экспертной системы.
13) Экспертная система по искусственному интеллекту
Что такое экспертная система?
EXPERT SYSTEM — это интерактивная и надежная компьютерная система принятия решений, которая использует как факты, так и эвристики для решения сложных задач принятия решений. Это считается на самом высоком уровне человеческого интеллекта и опыта. Целью экспертной системы является решение самых сложных задач в конкретной области.
Экспертная система может решить многие вопросы, которые обычно требуют человеческого эксперта. Он основан на знаниях, полученных от эксперта. Он также способен выражать и рассуждать о некоторой области знаний. Экспертные системы были предшественником современных систем искусственного интеллекта, глубокого обучения и машинного обучения.
В этом уроке вы узнаете:
Примеры экспертных систем
Ниже приведены примеры экспертных систем
- MYCIN: Он был основан на обратной цепочке и мог идентифицировать различные бактерии, которые могли вызвать острые инфекции. Он также может порекомендовать лекарства в зависимости от веса пациента.
- ДЕНДРАЛ: экспертная система, используемая для химического анализа для прогнозирования молекулярной структуры.
- PXDES: экспертная система, используемая для прогнозирования степени и типа рака легких
- CaDet: экспертная система, которая может идентифицировать рак на ранних стадиях
Характеристика экспертной системы
Почему нужны экспертные системы?
Важная характеристика экспертной системы:
- Высочайший уровень экспертизы: экспертная система предлагает высочайший уровень экспертизы. Это обеспечивает эффективность, точность и творческое решение проблем.
- Реакция точно в срок : экспертная система взаимодействует с пользователем в очень разумный период времени. Общее время должно быть меньше времени, затраченного экспертом, чтобы получить наиболее точное решение для той же проблемы.
- Хорошая надежность: экспертная система должна быть надежной и не допускать ошибок.
- Гибкость: жизненно важно, чтобы он оставался гибким, поскольку обладает экспертной системой.
- Эффективный механизм: Экспертная система должна иметь эффективный механизм для управления подборкой имеющихся в ней знаний.
- Способен обрабатывать сложные решения и проблемы: экспертная система способна решать сложные проблемы принятия решений и предлагать решения.
Компоненты экспертной системы
Экспертная система состоит из следующих заданных компонентов:
Пользовательский интерфейс
Пользовательский интерфейс является наиболее важной частью экспертной системы. Этот компонент принимает запрос пользователя в читаемой форме и передает его в механизм вывода. После этого он отображает результаты для пользователя. Другими словами, это интерфейс, который помогает пользователю общаться с экспертной системой.
Механизм логического вывода
Двигатель вывода — это мозг экспертной системы. Механизм вывода содержит правила для решения конкретной проблемы. Это относится к знаниям из базы знаний. Он выбирает факты и правила для применения при попытке ответить на запрос пользователя. Предоставляет рассуждения об информации в базе знаний. Это также помогает вычитать проблему, чтобы найти решение. Этот компонент также полезен для формулирования выводов.
База знаний
База знаний — это хранилище фактов. Он хранит все знания о проблемной области. Это как большой контейнер знаний, который получают от разных экспертов в конкретной области.
Таким образом, мы можем сказать, что успех экспертной системы в основном зависит от высокой точности и точности знаний.
Другие ключевые термины, используемые в экспертных системах
Факты и правила
Факт — небольшая часть важной информации. Факты сами по себе имеют очень ограниченное использование. Правила необходимы для выбора и применения фактов к проблеме пользователя.
Приобретение знаний
Термин «приобретение знаний» означает, как экспертная система получает необходимые знания в области предметной области. Весь процесс начинается с извлечения знаний от человека-эксперта, преобразования полученных знаний в правила и внедрения разработанных правил в базу знаний.
Процесс извлечения знаний
Участник разработки экспертных систем
участник | Роль |
Домен Эксперт | Это человек или группа, чьи знания и опыт используются для разработки экспертной системы. |
Инженер знаний | Инженер знаний — это технический специалист, который интегрирует знания в компьютерные системы. |
Конечный пользователь | Это человек или группа людей, которые используют экспертную систему, чтобы получить совет, который не будет предоставлен экспертом. |
Процесс построения экспертных систем
- Определение характеристик проблемы
- Инженер по знаниям и специалист по предметной области работают согласованно для определения проблемы
- Инженер по знаниям переводит знания на понятный для компьютера язык. Он разрабатывает механизм логического вывода, структуру рассуждений, которая может использовать знания при необходимости.
- Эксперт по знаниям также определяет, как интегрировать использование неопределенных знаний в процесс рассуждения и какой тип объяснения будет полезен.
Обычная система против экспертной системы
Обычная система | Экспертная система |
Знания и обработка объединены в одну единицу. | База данных знаний и механизм обработки — это два отдельных компонента. |
Программа не делает ошибок (разве что ошибка в программировании). | Экспертная система может ошибиться. |
Система работает только тогда, когда полностью разработана. | Экспертная система оптимизируется на постоянной основе и может быть запущена с небольшим количеством правил. |
Требуется пошаговое выполнение в соответствии с фиксированными алгоритмами. | Выполнение выполняется логически и эвристически. |
Требуется полная информация. | Он может быть функциональным с достаточной или недостаточной информацией. |
Человек эксперт против экспертной системы
Человек Эксперт | Искусственная экспертиза |
скоропортящийся | перманентный |
Трудно перевести | переводный |
Сложно документировать | Легко документировать |
непредсказуемый | последовательный |
Дорогой | Экономически эффективная система |
Преимущества экспертных систем
- Это улучшает качество решения
- Сокращает расходы на консультации экспертов для решения проблем
- Это обеспечивает быстрое и эффективное решение проблем в узкой области специализации.
- Он может собрать скудный опыт и эффективно его использовать.
- Предлагает последовательный ответ на повторяющуюся проблему
- Поддерживает значительный уровень информации
- Помогает получить быстрые и точные ответы
- Правильное объяснение принятия решений
- Способность решать сложные и сложные вопросы
- Экспертные системы могут работать стабильно, не испытывая эмоций, напряжения или утомления.
Ограничения экспертной системы
- Невозможно сделать творческий ответ в необычной ситуации
- Ошибки в базе знаний могут привести к неправильному решению
- Стоимость обслуживания экспертной системы слишком высока
- Каждая проблема отличается, поэтому решение от человека-эксперта также может быть другим и более креативным
Приложения экспертных систем
Некоторое популярное приложение, где пользователь экспертных систем:
- Управление информацией
- Больницы и медицинские учреждения
- Управление справочными службами
- Оценка эффективности сотрудников
- Кредитный анализ
- Обнаружение вирусов
- Полезно для ремонта и обслуживания проектов
- Оптимизация склада
- Планирование и планирование
- Конфигурация производимых объектов
- Принятие финансовых решений Знание публикации
- Мониторинг и контроль процесса
- Контролировать работу завода и контролера
- Торговля на фондовом рынке
- Авиапланирование и расписание грузоперевозок
Резюме
- Экспертная система — это интерактивная и надежная компьютерная система принятия решений, которая использует как факты, так и эвристики для решения сложной проблемы принятия решений.
- Ключевые компоненты экспертной системы: 1) пользовательский интерфейс, 2) механизм вывода, 3) база знаний
- Ключевые участники разработки экспертных систем: 1) эксперт по предметам 2) инженер по знаниям 3) конечный пользователь
- Повышение качества решений, снижение затрат, согласованность, надежность, скорость — вот основные преимущества экспертной системы
- Экспертная система не может дать креативных решений и может быть дорогостоящей в обслуживании.
- Экспертная система может использоваться в широких приложениях, таких как фондовый рынок, склад, отдел кадров и т. Д.
Искусственный интеллект — Экспертные системы
Экспертные системы (ES) являются одной из выдающихся областей исследований ИИ. Он представлен исследователями из Стэнфордского университета, факультет компьютерных наук.
Что такое экспертные системы?
Экспертные системы — это компьютерные приложения, разработанные для решения сложных задач в определенной области на уровне необычного человеческого интеллекта и опыта.
Характеристики экспертных систем
- Высокая производительность
- понятный
- надежный
- Очень отзывчивый
Возможности экспертных систем
Экспертные системы способны —
- консультирование
- Инструктаж и помощь человеку в принятии решений
- Демонстрируя
- Вывод решения
- Диагностирование
- Объясняя
- Интерпретация ввода
- Прогнозирование результатов
- Обоснование заключения
- Предлагая альтернативные варианты проблемы
Они неспособны к —
- Подмена человека, принимающего решения
- Обладая человеческими способностями
- Создание точного вывода для неадекватной базы знаний
- Уточнение собственных знаний
Компоненты экспертных систем
Компоненты ES включают в себя —
- База знаний
- Механизм логического вывода
- Пользовательский интерфейс
Давайте посмотрим их один за другим кратко —
База знаний
Содержит специфичные для предметной области и высококачественные знания.
Знания необходимы для проявления интеллекта. Успех любого ES в основном зависит от сбора высокоточных и точных знаний.
Что такое Знание?
Данные представляют собой сбор фактов. Информация организована в виде данных и фактов о предметной области. Данные, информация и прошлый опыт, объединенные вместе, называются знаниями.
Компоненты базы знаний
База знаний ES — это хранилище фактических и эвристических знаний.
Фактические знания — это информация, широко принятая инженерами знаний и учеными в области задач.
Эвристическое знание — это практика, точное суждение, способность оценивать и угадывать.
Фактические знания — это информация, широко принятая инженерами знаний и учеными в области задач.
Эвристическое знание — это практика, точное суждение, способность оценивать и угадывать.
Представление знаний
Это метод, используемый для организации и формализации знаний в базе знаний. Это в форме правил IF-THEN-ELSE.
Приобретение знаний
Успех любой экспертной системы во многом зависит от качества, полноты и точности информации, хранящейся в базе знаний.
База знаний формируется на основе показаний различных экспертов, ученых и инженеров знаний . Инженер по знаниям — это человек, обладающий качествами эмпатии, быстрого обучения и навыков анализа кейсов.
Он получает информацию от эксперта-субъекта путем записи, собеседования и наблюдения за ним на работе и т. Д. Затем он систематизирует и систематизирует информацию в форме правил IF-THEN-ELSE, которые будут использоваться машиной помех. Инженер по знаниям также следит за развитием ES.
Механизм логического вывода
Использование эффективных процедур и правил Механизмом Вывода имеет важное значение для выведения правильного, безупречного решения.
В случае ES, основанной на знаниях, Inference Engine получает и манипулирует знаниями из базы знаний, чтобы прийти к конкретному решению.
В случае ES на основе правил это —
Применяет правила повторно к фактам, которые получены из более раннего применения правила.
Добавляет новые знания в базу знаний, если требуется.
Разрешает конфликт правил, когда несколько правил применимы к конкретному случаю.
Применяет правила повторно к фактам, которые получены из более раннего применения правила.
Добавляет новые знания в базу знаний, если требуется.
Разрешает конфликт правил, когда несколько правил применимы к конкретному случаю.
Чтобы порекомендовать решение, механизм вывода использует следующие стратегии:
- Вперед Цепочка
- Обратная цепочка
Вперед Цепочка
Это стратегия экспертной системы, чтобы ответить на вопрос: «Что может произойти дальше?»
Здесь механизм вывода следует цепочке условий и дериваций и, наконец, выводит результат. Он учитывает все факты и правила и сортирует их, прежде чем прийти к решению.
Эта стратегия используется для работы над выводом, результатом или эффектом. Например, прогноз состояния рынка акций как следствие изменения процентных ставок.
Обратная цепочка
С помощью этой стратегии экспертная система узнает ответ на вопрос «Почему это произошло?»
На основе того, что уже произошло, Механизм вывода пытается выяснить, какие условия могли произойти в прошлом для этого результата. Эта стратегия используется для выяснения причины или причины. Например, диагностика рака крови у людей.
Пользовательский интерфейс
Пользовательский интерфейс обеспечивает взаимодействие между пользователем ES и самой ES. Обычно это обработка естественного языка, которая используется пользователем, хорошо разбирающимся в предметной области. Пользователь ES не обязательно должен быть экспертом в области искусственного интеллекта.
Это объясняет, как ES пришел к конкретной рекомендации. Объяснение может появиться в следующих формах —
- Естественный язык отображается на экране.
- Устные рассказы на естественном языке.
- Список номеров правил, отображаемых на экране.
Пользовательский интерфейс позволяет легко отследить достоверность выводов.
Требования эффективного пользовательского интерфейса ES
Это должно помочь пользователям достичь своих целей в кратчайшие сроки.
Он должен быть разработан для работы с существующими или желаемыми методами работы пользователя.
Его технология должна быть адаптирована к требованиям пользователя; не наоборот.
Это должно эффективно использовать пользовательский ввод.
Это должно помочь пользователям достичь своих целей в кратчайшие сроки.
Он должен быть разработан для работы с существующими или желаемыми методами работы пользователя.
Его технология должна быть адаптирована к требованиям пользователя; не наоборот.
Это должно эффективно использовать пользовательский ввод.
Ограничения экспертных систем
Ни одна технология не может предложить простое и полное решение. Большие системы являются дорогостоящими, требуют значительного времени на разработку и компьютерных ресурсов. ES имеют свои ограничения, которые включают в себя —
- Ограничения технологии
- Сложное приобретение знаний
- ES сложно поддерживать
- Высокие затраты на разработку
Приложения Экспертной Системы
В следующей таблице показано, где можно применять ES.
заявка | Описание |
---|---|
Домен дизайна | Дизайн объективов камер, автомобильный дизайн. |
Медицинский домен | Системы диагностики, позволяющие вывести причину заболевания на основании наблюдаемых данных, проведения медицинских операций на людях. |
Системы мониторинга | Постоянное сравнение данных с наблюдаемой системой или с предписанным поведением, таким как мониторинг утечек в длинном нефтепроводе. |
Системы управления процессом | Управление физическим процессом на основе мониторинга. |
Область знаний | Обнаружение неисправностей в транспортных средствах, компьютерах. |
Финансы / Торговля | Обнаружение возможного мошенничества, подозрительных сделок, торговля на фондовом рынке, планирование авиаперевозок, планирование грузов. |
Эксперт Системные Технологии
Есть несколько уровней доступных технологий ES. Технологии экспертных систем включают в себя —
Среда разработки экспертных систем. Среда разработки ES включает в себя оборудование и инструменты. Они —
Рабочие станции, миникомпьютеры, мейнфреймы.
Символические языки программирования высокого уровня, такие как LIS t Программирование (LISP) и PRO грамматика en LOG (PROLOG).
Большие базы данных.
Инструменты — они в значительной степени снижают усилия и затраты на разработку экспертной системы.
Мощные редакторы и инструменты отладки с несколькими окнами.
Они обеспечивают быстрое прототипирование
Имеют встроенные определения модели, представления знаний и дизайна вывода.
Оболочки . Оболочка — это всего лишь экспертная система без базы знаний. Оболочка обеспечивает разработчиков знаниями, механизмом вывода, пользовательским интерфейсом и средствами объяснения. Например, несколько оболочек приведены ниже —
Java Expert System Shell (JESS), которая предоставляет полностью разработанный Java API для создания экспертной системы.
Видван , оболочка, разработанная в Национальном центре программных технологий в Мумбае в 1993 году. Она позволяет кодировать знания в форме правил IF-THEN.
Среда разработки экспертных систем. Среда разработки ES включает в себя оборудование и инструменты. Они —
Рабочие станции, миникомпьютеры, мейнфреймы.
Символические языки программирования высокого уровня, такие как LIS t Программирование (LISP) и PRO грамматика en LOG (PROLOG).
Большие базы данных.
Инструменты — они в значительной степени снижают усилия и затраты на разработку экспертной системы.
Мощные редакторы и инструменты отладки с несколькими окнами.
Они обеспечивают быстрое прототипирование
Имеют встроенные определения модели, представления знаний и дизайна вывода.
Оболочки . Оболочка — это всего лишь экспертная система без базы знаний. Оболочка обеспечивает разработчиков знаниями, механизмом вывода, пользовательским интерфейсом и средствами объяснения. Например, несколько оболочек приведены ниже —
Java Expert System Shell (JESS), которая предоставляет полностью разработанный Java API для создания экспертной системы.
Видван , оболочка, разработанная в Национальном центре программных технологий в Мумбае в 1993 году. Она позволяет кодировать знания в форме правил IF-THEN.
Разработка экспертных систем: общие шаги
Процесс разработки ES является итеративным. Шаги по разработке ES включают в себя —
Определить проблемный домен
- Проблема должна подходить для экспертной системы, чтобы решить ее.
- Найти экспертов в области задач для проекта ES.
- Установить экономическую эффективность системы.
Дизайн системы
Определить технологию ES
Знать и установить степень интеграции с другими системами и базами данных.
Поймите, как концепции могут лучше всего представлять знания предметной области.
Определить технологию ES
Знать и установить степень интеграции с другими системами и базами данных.
Поймите, как концепции могут лучше всего представлять знания предметной области.
Разработайте прототип
Из базы знаний: инженер знаний работает для —
Инженер по знаниям использует примеры для тестирования прототипа на предмет любых недостатков в производительности.
Конечные пользователи тестируют прототипы ES.
Тестировать и обеспечивать взаимодействие ES со всеми элементами ее среды, включая конечных пользователей, базы данных и другие информационные системы.
Хорошо документируйте проект ES.
Обучите пользователя использовать ES.
Постоянно обновляйте и обновляйте базу знаний.
Удовлетворение новых интерфейсов с другими информационными системами по мере развития этих систем.
Доступность — они легко доступны благодаря массовому производству программного обеспечения.
Меньше себестоимости — стоимость производства разумна. Это делает их доступными.
Скорость — они предлагают отличную скорость. Они уменьшают объем работы, которую выполняет человек.
Меньше частоты ошибок — уровень ошибок ниже по сравнению с человеческими ошибками.
Снижение риска — они могут работать в среде, опасной для человека.
Устойчивый ответ — они работают стабильно, не испытывая движения, напряжения или утомления.
НОУ ИНТУИТ | Лекция | Методология построения экспертных систем
Аннотация: В лекции рассматриваются определения, классификация и
структура экспертных систем (ЭС), а также трудности разработки ЭС и
методология построения экспертных систем. Описываются примеры ЭС —
система G2, OMEGAMON и ЭС диагностирования цифровых устройств.
Экспертные системы: Определения и классификация
Одним из наиболее значительных достижений искусственного
интеллекта стала разработка мощных компьютерных систем, получивших
название «экспертных» или основанных на «знаниях»
систем. В современном обществе при решении задач управления сложными
многопараметрическими и сильносвязанными системами, объектами,
производственными и технологическими процессами приходится
сталкиваться с решением неформализуемых либо трудноформализуемых
задач. Такие задачи часто возникают в следующих областях: авиация,
космос и оборона, нефтеперерабатывающая промышленность и
транспортировка нефтепродуктов, химия, энергетика, металлургия,
целлюлозно-бумажная промышленность, телекоммуникации и связь, пищевая
промышленность, машиностроение, производство цемента, бетона и т.п.
транспорт, медицина и фармацевтическое производство, административное
управление, прогнозирование и мониторинг. Наиболее значительными
достижениями в этой области стало создание систем, которые ставят
диагноз заболевания, предсказывают месторождения полезных ископаемых,
помогают в проектировании электронных устройств, машин и механизмов,
решают задачи управления реакторами и другие задачи
[
6.1
]
,
[
6.2
]
. Примеры экспертных систем в различных предметных областях приводятся в конце
лекции.
Под экспертной системой (ЭС) будем понимать программу, которая
использует знания специалистов ( экспертов ) о некоторой конкретной
узко специализированной предметной области и в пределах этой области
способна принимать решения на уровне эксперта -профессионала.
Осознание полезности систем, которые могут копировать дорогостоящие
или редко встречающиеся человеческие знания, привело к широкому
внедрению и расцвету этой технологии в 80-е, 90-е годы прошлого века.
Основу успеха ЭС составили два важных свойства, отмечаемые рядом
исследователей
[
6.3
]
,
[
6.4
]
:
- в ЭС знания отделены от данных, и мощность экспертной системы
обусловлена в первую очередь мощностью базы знаний и только во вторую
очередь используемыми методами решения задач; - решаемые ЭС задачи являются неформализованными или
слабоформализованными и используют эвристические, экспериментальные,
субъективные знания экспертов в определенной предметной области.
Основными категориями решаемых ЭС задач являются: диагностика,
управление (в том числе технологическими процессами), интерпретация,
прогнозирование, проектирование, отладка и ремонт, планирование,
наблюдение ( мониторинг ), обучение.
Обобщенная схема ЭС приведена на рис. 6.1. Основу ЭС составляет
подсистема логического вывода, которая использует информацию из базы
знаний (БЗ), генерирует рекомендации по решению искомой задачи. Чаще
всего для представления знаний в ЭС используются системы продукций и
семантические сети. Допустим, БЗ состоит из фактов и правил (если
<посылка> то <заключение>). Если ЭС определяет, что посылка верна, то
правило признается подходящим для данной консультации и оно
запускается в действие. Запуск правила означает принятие заключения
данного правила в качестве составной части процесса консультации.
Обязательными частями любой ЭС являются также модуль приобретения
знаний и модуль отображения и объяснения решений. В большинстве
случаев, реальные ЭС в промышленной эксплуатации работают также на
основе баз данных (БД). Только одновременная работа со знаниями и
большими объемами информации из БД позволяет ЭС получить неординарные
результаты, например, поставить сложный диагноз (медицинский или
технический), открыть месторождение полезных ископаемых, управлять
ядерным реактором в реальном времени.
Рис.
6.1.
Структура экспертной системы
Важную роль при создании ЭС играют инструментальные средства. Среди
инструментальных средств для создания ЭС наиболее популярны такие
языки программирования, как LISP и PROLOG, а также экспертные
системы-оболочки (ЭСО): KEE, CENTAUR, G2 и GDA, CLIPS, АТ_ТЕХНОЛОГИЯ,
предоставляющие в распоряжение разработчика — инженера по знаниям
широкий набор для комбинирования систем представления знаний, языков
программирования, объектов и процедур
[
6.5
]
,
[
6.6
]
.
Рассмотрим различные способы классификации ЭС.
По назначению ЭС делятся на:
- ЭС общего назначения.
- Специализированные ЭС:
- проблемно-ориентированные для задач диагностики, проектирования,
прогнозирования - предметно-ориентированные для специфических задач, например,
контроля ситуаций на атомных электростанциях.
- проблемно-ориентированные для задач диагностики, проектирования,
По степени зависимости от внешней среды выделяют:
- Статические ЭС, не зависящие от внешней среды.
- Динамические, учитывающие динамику внешней среды и предназначенные
для решения задач в реальном времени. Время реакции в таких системах
может задаваться в миллисекундах, и эти системы реализуются, как
правило, на языке С++.
По типу использования различают:
- Изолированные ЭС.
- ЭС на входе/выходе других систем.
- Гибридные ЭС или, иначе говоря, ЭС интегрированные с базами данных и
другими программными продуктами (приложениями).
По сложности решаемых задач различают:
- Простые ЭС — до 1000 простых правил.
- Средние ЭС — от 1000 до 10000 структурированных правил.
- Сложные ЭС — более 10000 структурированных правил.
По стадии создания выделяют:
- Исследовательский образец ЭС, разработанный за 1-2 месяца с
минимальной БЗ. - Демонстрационный образец ЭС, разработанный за 2-4 месяца, например,
на языке типа LISP, PROLOG, CLIPS - Промышленный образец ЭС, разработанный за 4-8 месяцев, например, на
языке типа CLIPS с полной БЗ. - Коммерческий образец ЭС, разработанный за 1,5-2 года, например, на
языке типа С++, Java с полной БЗ.
Экспертная система · Loginom Wiki
Система искусственного интеллекта, включающая знания о некоторой слабо структурированной и трудно формализуемой предметной области, способная предлагать и объяснять пользователю решения задач в ней, а также эмулировать способность человека (эксперта) рассуждать и принимать решения.
Экспертные системы предназначены для решения сложных задач на основе рассуждений с использованием знаний, представленных, главным образом, в виде правил «если, то», а не с помощью обычного процедурного кода.
Экспертная система состоит из следующих элементов:
- База знаний — семантическая модель, описывающая предметную область и позволяющая отвечать на такие вопросы из нее, ответы на которые в явном виде отсутствуют в базе. Она является основным компонентом интеллектуальных и экспертных систем.
- Машина логического вывода — система, моделирующая механизм рассуждений и оперирующая знаниями и данными с целью получения новых сведений из знаний и других данных. Обычно такая машина использует программно реализованный механизм дедуктивного логического вывода или механизм поиска решения в сети фреймов или семантической сети.
- Подсистема объяснений — система, позволяющая пользователю получать ответы на вопрос: «Как было получено то или иное решение?»
- Подсистема общения — обеспечивает ведение диалога с пользователем, в ходе которого система запрашивает у него необходимые факты для процесса рассуждения. Также подсистема общения предоставляет возможность человеку в определенной степени контролировать и корректировать ход рассуждений экспертной системы.
Впервые экспертные системы были представлены в 1965 году в ходе программы Heuristic Programming Project Стэнфордского университета под руководством Эдварда Альберта Фейгенбаума, которого и считают «отцом» экспертных систем.
Экспертные системы получили распространение в 1980-х и являлись одними из первых действительно успешных программных средств искусственного интеллекта.
Экспертные системы | Статья в журнале «Молодой ученый»
Экспертные системы — это системы, которые должны облегчить жизнь человеку при помощи каких-либо задач, связанных с наработкой опыта.
Термины «заменить» или «облегчить» можно объяснить на примере наиболее известной экспертной системы «Яндекс. Гуру», которая помогает пользователю выбрать подходящую для себя модель из предложенных вариантов техники. Другие примеры таких систем: MYCIN (для диагностики инфекционных заболеваний) и PROSPECTOR (используется для разведки полезных ископаемых). В разработке системы PROSPECTOR принимало участие 10 экспертов, в результате эта система нашла источник полезных ископаемых, которое ни один из этих экспертов найти самостоятельно не смог.
Хотя обычно, несмотря на все попытки экспертных систем работать на уровне среднего специалиста в своей области, они не могут заменить действующих профессиональных экспертов. С другой стороны, экспертные системы оказываются очень полезными в обучении начальных специалистов. Так же была попытка создания системы, которая является базой знаний всего. В ней используется мощный язык логики предикатов, который является более мощным, чем пролог.
Достоинства экспертных систем:
− постоянство и стабильность,
− простота передачи информации,
− устойчивость получаемых результатов,
− более низкая стоимость разработки и эксплуатации таких систем.
Недостатки экспертных систем:
− предназначены для узкой предметной области,
− качество работы зависит от качества БЗ,
− не способны к самообучению,
− необходимо обновлять программные средства.
Экспертная система может функционировать в 2-х режимах:
− режим ввода знаний.
− режим консультации.
Три группы людей, которые создают базы знаний экспертной системы:
− эксперты данной проблемной области,
− инженеры по знаниям, которые должны овладеть методами представления знаний,
− программисты.
Инженер по знаниям — формирует эту базу знаний. Рабочая память которой представляет пару значений. Соответственно процесс логического вывода — это поиск пространственных состояний. Где пространственное состояние — это состояние решения задачи, что составляет комбинацию рабочей памяти, а правило перехода — это правило базы знаний, которые дают нам переход из одного состояния в другое.
Классификация экспертных систем:
Рис. 1. Основные компоненты экспертных систем
База данных используется для хранения исходных и промежуточных данных решаемой задачи.
Базы знаний предназначены для хранения долгосрочных данных, которые описывают рассматриваемую предметную область, а так же правил, используемых для оперирования этими данными. Факты в базе знаний характеризуют объекты и явления, которые в данной предметной области являются постоянными.
Решатель формирует последовательность правил, которая обеспечивает решение поставленной задачи.
Интеллектуальный редактор базы знаний предназначен для автоматизации работы пользователя по наполнению экспертные системы новыми знаниями.
Подсистема объяснения выводит пояснение способа решения поставленной задачи и использованных для этого знаний.
Пользовательский интерфейс предназначен для организации общения такой системы с пользователями на всех этапах работы.
Характерные черты экспертных систем:
− наличие четко ограниченной предметной области
− возможность принятия решений в условиях неопределенности
− способность таких систем объяснять мотивы и результат принимаемого решения
− четкое разделение фактов и выводов
− возможность постоянного пополнения базы знаний и наращивания системы, а так же ее обучения в процессе эксплуатации
− вывод результата в форме рекомендаций по перечню конкретных действий
− ориентация на решение трудно формализуемых и не формализуемых задач принятия решений.
Необходимо отметить, что экспертные системы это реально работающие программное обеспечение, которое реально применяется на практике в различных областях. То есть это реально работающий продукт, который был и остается коммерчески выгодным. Экспертные системы можно интегрировать в работу сразу и просто всегда доверять ее выводам, а можно перепроверять их интуицией. Экспертная система объясняет, как и почему она пришла своими умозаключениями к данным выводам. Они до сих пор применяются в самых разных областях. Например, используется в медицине, юриспруденции, энергетике, геологоразведке и так далее. Однако не все знания, которые были заложены в таких системах будут актуальны всегда, так как требуется их постоянное обновление.
Система ограничены в использовании, потому что не они не могут быть применены к чему угодно. База знаний существуют в естественном виде в медицине. Например, в Западной медицине есть вполне конкретное критерий когда выставляются тот или иной диагноз и вполне конкретные рекомендации, какой анализ следует назначать пациенту. Данные протоколы выставляют страховые компании, которые оплачивают лечение в рамках этой программы.
В юриспруденции эта база просто есть. Потому что, юриспруденция всегда основывается на законах, вот эти законы, комментарии к ним, записки, прецеденты, это все формирует базу знаний. Она уже есть, ее нужно только запрограммировать. Но для того что бы написать эту базу с нуля и для того что бы эксперт переложил весь свой опыт в компьютерную систему нужно очень много времени, потому что как оказалось эксперты далеко не всегда могут сформулировать то, что они знают. Они просто знают это! Например, эксперт, просто видя автомобиль, говорит: нет, это не надежно, здесь плохо, здесь ненадежно, здесь не экономично, это никому не понравится, это надо переделать. Он знает это, но он не знает почему он это знает. Он часто не способен изложить свои компетенции, свои знания в таком сухом языке математической логики. И часто это просто невозможно, это неформализованный опыт, – опыт который нельзя просто так взять и записать. Более того оказалось, что разные эксперты дают разные базы знаний и разные базы правил, несовместимые друг с другом подчас противоречивые. Поэтому создать какие-то универсальные правила работы производства, инженерных знаний не удалось. Слишком долго, слишком трудно и каждый раз получается, что то новое. Здесь нет хорошо формализованного знания, настолько, насколько оно есть в медицине или в юриспруденции.
В инженерных производствах мир меняется настолько быстро, что эксперты за ним не успевают. Например, эксперт начал описывать свойства некоторой производственной линии. Он долго на ней проработал и он начал записывать в компьютерную программу те знания, которые он получил, а производственную линию взяли и заменили, пока он это делал. И эксперт может адаптироваться к этим изменениям, он может посмотреть на новую производственную линию, на новый производственный процесс. И через некоторое время он научится работать с этой производственной линией. А экспертная система самостоятельно этому не научится. Она потребует от эксперта, чтобы он снова вложи все свое знание в компьютерную программу. И пока он это делает, производственный процесс опять успеет устареть, выпустят новую производственную линию и так далее, и так далее. То есть реально оказывалось, что применение экспертных систем к инженерным производствам просто не оправдано. Мы не успеваем за быстро меняющемся миром. Пока мы пишем базу знаний, у нас успевает измениться мир о котором мы эти знания собираем.
И оказалось, что для физических задач, в том числе и для инженерных задач, этот подход просто не оптимален. В тоже время успешно создавались программы, которые позволяют моделировать механизмы и их свойства и исследовать с помощью моделирования как те или иные параметры этого механизма влияют на его работу. И оказалось, что подбор оптимальных параметров по такой методике гораздо лучше, гораздо эффективнее и быстрее чем построение экспертных систем. То есть узкоспециальное программное обеспечение, которое заточено именно на решение инженерных вопросов оказалось гораздо эффективнее, чем универсальное программное обеспечение, которое способно решить любую задачу, но которую нужно затачивать под эту задачу с помощью формирований баз знаний. Поэтому экспертные систему не прижились в этой области.
Каково настоящие экспертных систем: они продолжают применяться на практике, они применяются в своих традиционных областях. Кроме того они применяются в интернете, потому что интернет дает возможность неограниченному числу людей получать свободный доступ к компьютерным системам, а значит можно предложить этим людям услуги эксперта, услуги этого искусственно-интеллектуального эксперта. Кроме того в связи с развитием интернета, экспертные системы начинают применяться, например для технической поддержки. И эта техническая поддержка оказывается встроенной уже в операционную систему.
Конечно, это уже не те экспертные системы, которые создавались в 80-е., это небольшие программные продукты, с небольшим количеством правил. Зато в них иногда интегрированы средства не только постановки диагноза, но и решение проблем, как в случае с починкой интернета на компьютере средствами операционной системы. Иногда в этих системах нет как таковой базы правил, а просто запрограммировано дерево вопросов и ответов, это делает их работу более предсказуемой, но лишает систему способности к росту, потому что мы не можем просто взять и дописать туда новых правил, а нужно доработать дерево вопросов и ответов вручную. То есть экспертные системы это не только пример первого успеха искусственного интеллекта, это не только пример того, как можно использовать логику высказываний, но это рабочая идея, которая успешно применялась раньше и которая успешно применяется до сих пор.
Итак, экспертные системы важны для автоматизации многих процессов и значительно упрощают выполнение многих задач. Поэтому сейчас их создано огромное количество в различных сферах деятельности человека.
Основные термины (генерируются автоматически): система, баз знаний, производственная линия, PROSPECTOR, эксперт, экспертная система, знание, эта, компьютерная программа, операционная система.
Falcon Trading Computers
Falcon Trading Computers
Позвоните нам по телефону (800) 557-7142
Комплекты массива компьютера и монитора
для частных трейдеров и хедж-фондов
Комплекты массива компьютера и монитора
для частных трейдеров и хедж-фондов
БРОКЕРСКОЕ ВОЗМЕЩЕНИЕ ТОРГОВЫХ КОМПЬЮТЕРОВ
Наши клиенты имеют возможность получить 100% возмещение за свои Falcon Computers and Systems (компьютер, мониторы и
аксессуары), когда они открывают новую учетную запись у участвующего брокера.Эти брокеры предоставят вам 20% скидку на свои комиссии до тех пор, пока
возмещение завершено. Возможно «двойное падение», открыв счет и активно торгуя более чем на одном
участвующий брокер.
Торговцы акциями, опционами и фьючерсами:
Нажмите здесь
Все наши компьютеры производятся и обслуживаются нашими сотрудниками.
Мы гордимся своей работой и не сокращаем расходы на аутсорсинг.
FALCON TRADING SYSTEMS
Свидетельство
«Как профессионал с более чем 30-летним опытом работы в инвестиционном бизнесе, я знаю, как важно иметь правильные инструменты.
Торговые компьютеры Falcon обеспечивают исключительную мощь BRUTE, необходимую для сохранения нашей позиции в качестве ведущей фирмы по разработке торговых систем.
Разница между этими торговыми компьютерами и типичными моделями дисконтных магазинов подобна разнице между YUGO и CORVETTE; Falcon — лучший торговый компьютер! »
Джо Крутингер, CTA
Профессиональный трейдер,
Автор и спикер по трейдингу
Falcon Performance
Если вы увеличите скорость компьютера на 20%, то производительность этого компьютера увеличится на 20%.Это то, что мы делаем лучше всего.
Дешевые компьютеры требуют, чтобы Intel оценивала свои процессоры медленнее, чем они могут спокойно оценить. На платах установлено 12-16 стабилизаторов напряжения против 2-3 типичных для дешевых компьютеров. Больше регуляторов напряжения означает более плавную подачу напряжения и большую стабильность. Наши материнские платы также более точны в установке правильного напряжения.
Благодаря более плавному питанию и более точному контролю напряжения наши компьютеры могут работать быстрее.
В компьютерной индустрии есть несколько плохих практик. Корпорация Intel предупредила об этих плохих методах работы. Мы стараемся предоставить вам самый быстрый компьютер, который соответствует безопасным рабочим параметрам центрального процессора. Мы занимаемся этим более 4 лет и являемся золотым партнером Intel.
Для лучших торговых компьютеров выберите Falcon Trading Computers .
Falcon Trading Systems — Новости компании
- Февраль 2019 г .: Simpler Trading заказывает еще один компьютер Falcon
- Январь 2019: NeuroStreet заказывает компьютеры Falcon
- Декабрь 2018: новые процессоры Intel 9-го поколения представлены на Falcon!
- Ноябрь 2018 г .: Belmont Group заказывает свой 12-й Falcon
- Октябрь 2018: Beach Point Capital заказывает свой 10-й Falcon
- Сентябрь 2018: DayTrader Canada заказывает еще 4 компьютера Falcon
- Август 2018: Представление F-1 Silverline
- Июль 2018 г .: Мы благодарим Брюса К. за покупку его 6-го Falcon
- Июнь 2018 г .: Джон Ф.Картер заказывает новый торговый компьютер F-1 Blue Max
- Май 2018: Представление нового торгового компьютера F-1 Blue Max
- Апрель 2018 г .: Скотт Л., один из наших первоначальных клиентов, снова заказывает
- Март 2018: хедж-фонд Geosol Capital покупает еще один Falcon
- Февраль 2018 г .: Genesis Health Care покупает свой 18-й Falcon
- Январь 2018: Продажи для постоянных клиентов впервые достигли 65%
.
Мы зарегистрированный разработчик TradeStation
Получите бесплатную пробную версию MetaStock сегодня.Учить больше
Мы — официальный технологический партнер
NinjaTrader.
.
Silicon Falcon — Передний край Forex
Интеллектуальные алгоритмы Silicon Falcon постоянно адаптируются к постоянно меняющимся условиям рынка.
Эта система — точный клон системы, которую я разработал для хедж-фонда по контракту в Node.js. Идентичные системы можно найти в крупных банках и фирмах на Уолл-стрит.
Для получения дополнительных сведений о том, как использовать этот советник, загрузите руководство пользователя Silicon Falcon.
Действуйте сейчас и выходите на рынок Forex сегодня с SILICON FALCON!
Кремниевый сокол
Silicon Falcon —
евро / доллар США
Купите Silicon Falcon всего за 399 долларов
Присоединяйтесь, пока эта цена не исчезла!
Не упустите шанс выйти на рынок сегодня!
Для получения дополнительных сведений о том, как использовать этот советник, загрузите руководство пользователя Silicon Falcon.
Купите Silicon Falcon всего за 399 долларов
Присоединяйтесь, пока эта цена не исчезла!
Не упустите шанс выйти на рынок сегодня!
.
Digital Experience Agency и специалисты по CMS: Falcon-Software
Стратегические решения
Услуги
Falcon-Software на уровне предприятия и богатый опыт развертывания этих решений привели к идеальному цифровому опыту для наших клиентов, сочетающему соответствующие технологии, продуманную стратегию и ясность цели.
Экспертная консультация
- Анализ и аудит
- Цифровое картографирование дорог
- Технические требования
- Юзабилити-тестирование и оценка
- Исследование личности пользователя
Системная интеграция
- Решения WCM и ECM
- Омниканальная электронная торговля
- Порталы интранет и экстранет
- Решения CRM и DAM
- 3 rd Party Software Integration
ДИЗАЙН И МАРКЕТИНГ
- Креативный веб-дизайн
- Мобильные и социальные сети
- Услуги SEO и SEM
- Автоматизация маркетинга
- Взаимодействие с клиентами
ТЕХНИЧЕСКОЕ ОБСЛУЖИВАНИЕ
- Постпроектная поддержка
- Текущие программы технического обслуживания
- Обновления и обновления платформы
- Серверный и облачный хостинг
- Обучение работе с программным обеспечением
Компания
Falcon-Software спроектировала, разработала и развернула новый адаптивный веб-сайт для Regency Fireplace Products с использованием платформы Web CMS.»Посмотреть примеры использования
За более чем два десятилетия мы заработали репутацию компании, которая постоянно выполняет критически важные, технически сложные ИТ-проекты в сжатые сроки, а также обеспечивает исключительное обслуживание и поддержку клиентов. Мы достигаем этой цели, уделяя особое внимание разработке и развертыванию комплексных программных решений с использованием гибкого подхода к управлению проектами, основанного на передовой практике, с учетом уникальных технических требований, бюджета и стратегических цифровых потребностей каждого клиента.
Наша клиентура
.
Falcon Capital Advisors — доверенные эксперты
Мы помогаем организациям расти
На протяжении более десяти лет финансовые учреждения, GSE и федеральные агентства обращались к команде Falcon Capital Advisors за стратегическими знаниями, советами и техническими знаниями, чтобы преуспеть на все более конкурентном и цифровом рынке.
Опыт и связи на кончиках ваших пальцев
В Falcon Capital Advisors наш опыт и связи в сфере недвижимости, ипотечного финансирования, банковского дела и рынков капитала не имеют себе равных.В эту команду входят бывшие высокопоставленные федеральные финансовые регуляторы, такие как бывший главный регулятор Fannie Mae и Freddie Mac, а также руководители высшего звена финансовых служб в отрасли.
ЧТО МЫ ДЕЛАЕМ
БИЗНЕС КОНСУЛЬТАЦИЯ
Цифровая ипотека
Государственный заказ
Мы помогаем компаниям, предоставляющим финансовые услуги, участникам ипотечной индустрии, поставщикам технологий и государственным учреждениям преодолеть самые большие проблемы и достичь своих целей.Будь то использование и внедрение цифровых технологий или просто возможность принимать более разумные решения с более точным интеллектом, мы можем помочь.
Учить больше
Признанные на национальном уровне эксперты используют свой опыт и обширные инструменты и методологии Falcon, чтобы помочь вам работать оптимально.
От консультационных услуг ипотечного рынка до реинжиниринга процессов, управления проектами, управления рисками, соблюдения нормативных требований и анализа данных — наши индивидуализированные и интегрированные стратегии заставят вас думать по-новому и достичь реальных результатов.
Учить больше
Консультации экспертов и технические знания, которые помогут участникам ипотечной индустрии и финтех-компаниям реализовать свои стратегии цифрового ипотечного кредитования.
Для успешной цифровой трансформации ипотеки требуется гораздо больше, чем просто выбор правильной технологии. Если вы не знаете, с чего начать, или сталкиваетесь с проблемами по пути, мы здесь, чтобы помочь.
Учить больше
Генеральный подрядчик федеральных агентств с 2009 года.
Мы предоставляем стратегические консультации, техническую экспертизу, управление проектами и выполнение обязательств для различных государственных учреждений, включая HUD, USDA, NCUA, Ginnie Mae и Федеральную банковскую систему жилищного кредитования.
Учить больше
.