Экспертные системы что такое: Экспертные системы или искусственный интеллект

Экспертные системы, основные понятия и определения — Студопедия

Современные экспертные системы широко используются для тиражирования опыта и знаний ведущих специалистов практически во всех сферах экономики.

Экспертные системы — это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей. Основные компоненты экспертной системы и связи между ними показаны на рисунке 17.

Рис. 17. Компоненты экспертной системы

Пользователь — специалист предметной области, для которого предназначена система. Обычно его квалификация недостаточно высока, и поэтому он нуждается в помощи и поддержке со стороны экспертной системы.

Интерфейс пользователя — комплекс программ, реализующий диалог пользователя с экспертной системой на стадии как ввода информации, так и получения результатов.

База знаний является ядром экспертной системы. Это совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю (обычно на некотором языке, приближенном к естественному). Параллельно такому «человеческому» представлению существует база знаний во внутреннем «машинном» представлении.

Решатель — программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в базе знаний.

Подсистема объяснений — программа, предлагающая комментарии по работе системы и позволяющая пользователю получить ответы на вопросы: «Как была получена та или иная информация?» и «Почему система приняла такое решение?».

Интеллектуальный редактор базы знаний — программа, представляющая инженеру по знаниям возможность создавать базы знаний в диалоговом режиме.

Инженер по знаниям — специалист по искусственному интеллекту, выступает в роли промежуточного звена между экспертом и базой знаний (инженер-интерпретатор).

Что такое экспертная система — Студопедия

ЭКСПЕРТНЫЕ СИСТЕМЫ И ИХ ОСНОВНЫЕ КОМПОНЕНТЫ

Первым шагом в решении любой проблемы является определение области решаемой проблемы. Такой подход целесообразно использовать как для разработки искусственного интеллекта (ИИ) в рамках программно-прагматического направления, так и в конвенциональном программировании. В настоящее время множество реальных проблем из окружающего мира решаются с помощью ИИ, и существует множество коммерческих приложений ИИ.

Хотя в настоящее время общие решения классических проблем ИИ, таких как перевод с одного естественного языка на другой, понимание речи, распознавание зрительных образов и др., еще не найдены, ограничения предметной области могут давать полезные решения. Например, несложно построить естественноязыковую систему, если входные предложения ограничены существительными, глаголами и объектами. Такие системы обеспечивают дружественный интерфейс в различных программных приложениях. Парсеры, встроенные в популярные компьютерные игры, проявляют высокую степень понимания естественного языка.

ИИ имеет широкий спектр применения (рис. 1.1). Экспертные системы (ЭС) успешно решают классические задачи программируемого интеллекта. Профессор Эдвард Фейгенбаум из Стэнфордского университета, пионер технологии экспертных систем, дал определение экспертной системы как «интеллектуальной компьютерной программы, которая использует знания и процедуры вывода для решения проблем, которые являются достаточно сложными, и требуют значительных человеческих знаний для их решения». То есть, экспертная система является компьютерной системой, которая имитирует (эмулирует) способности человека-эксперта в процессе принятия решений. Термин «имитирует» означает, что экспертная система должна действовать во всех отношениях, как человек-эксперт. Эмуляция – это гораздо больше, чем моделирование, которое необходимо только, чтобы действовать как реальный объект только в некоторых случаях.

Рисунок 1.1 – Некоторые области применения искусственного интеллекта

Хотя решатель проблем общего назначения по-прежнему еще не создан, экспертные системы хорошо работают в ограниченных областях. Доказательством этого служат многие приложения экспертных систем в бизнесе, медицине, науке и технике, а также множество опубликованных книг, журналов, конференций, посвященных экспертным системам.

Экспертные системы являются ветвью ИИ, которая делает возможным использование специальных знаний для решения проблем на уровне человека-эксперта. Эксперт это человек, который имеет опыт в определенной области. То есть, эксперт имеет знания или специальные навыки, которые не известны и не доступны для большинства людей. Эксперт может решить проблемы, которые большинство людей не могут решить, или может решить их более эффективно (но не дешево). В 1970-х годах, когда экспертные системы были впервые разработаны, они содержали исключительно экспертные знания. Тем не менее, термин экспертная система часто применяется сегодня для любой системы, которая использует технологию экспертных систем. Эта технология состоит из специальных языков экспертных систем, программ и технических средств, предназначенных для оказания помощи в разработке и реализации экспертных систем.

Знания в экспертных системах могут быть либо опытом или знаниями, которые обычно содержатся в опубликованных источниках информации — книгах, журналах, и которыми обладают компетентные люди. Термины экспертная система, система основанная на знаниях, или основанная на знаниях экспертная система часто используются как синонимы. Большинство людей используют термин экспертная система просто потому, что он короче, хотя экспертная система может только содержать только общие знания, а не эмпирические знания эксперта.

В системе, основанной на знаниях экспертов (рис. 1.2) пользователь вводит факты или другую информацию. Экспертная система обрабатывает их и формирует вывод в виде советов эксперта. Экспертная система состоит из двух основных компонентов: база знаний содержит знания, на основе которых машина вывода формирует выводы. Эти выводы являются ответами экспертной системы на запросы пользователей на выполнение экспертизы.

Рисунок 1.2 – Основные концепции функционирования ЭС

Системы, основанные на знаниях, могут использоваться в качестве интеллектуального помощника человека-эксперта. Такие интеллектуальные помощники разрабатываются на основе технологий экспертных систем и обладают соответствующими преимуществами. Чем больше знаний содержит интеллектуальный помощник, тем больше он повторяет действия эксперта. Таким образом, развитие интеллектуальных помощников может быть полезным этапом в создании полноценной экспертной системы. Кроме того, такая система-помощник может высвободить больше времени эксперта и ускорить решение проблемы. Интеллектуальные обучающие программы являются еще одним приложением искусственного интеллекта. В отличие от обычной компьютерной обучающей системы, интеллектуальные системы могут обеспечить контекстно-зависимые инструкции обучения.

Знания эксперта относятся только к одной предметной области, в отличие от знаний об общих методах решения проблем. Предметной областью является специальная ограниченная область проблемы, например, медицина, финансы, наука, или техника, и так далее, в которой эксперт может успешно решать проблемы. Экспертная система, как и человек-эксперт, как правило, предназначена для специалистов в одной предметной области. Например, вы обычно не приглашают эксперта в шахматах, для получения экспертных знаний о медицине. Мастерство в одной предметной области не переносятся автоматически на другую.

Между проблемой и областью знаний существует определенная связь (рис. 1.3). Знания эксперта о решении конкретных проблем называют областью знаний эксперта. Например, медицинская экспертная система, предназначенная для диагностики инфекционных заболеваний, содержит множество знаний об определенных симптомах, вызванных инфекционными заболеваниями. В этом случае областью знаний является медицина и состоит из знаний о заболеваниях, симптомах и лечении. Конкретная область знаний полностью включена в проблемную область.

Рисунок 1.3 – Проблемная область и область знаний

В известной области знаний экспертная система находит причины или делает выводы так же, как и человек-эксперт находит решение проблемы. То есть, с учетом введенных фактов выполняется логический вывод и делается заключение. Например, если вы в течение месяца, не получали сообщений от друга по электронной почте можно сделать вывод, что ему нечего вам сказать. Тем не менее, это лишь один из нескольких возможных выводов.

Как и в любой новой технологии, в технологии экспертных систем есть еще много не изученных аспектов. Таблица 1.1 отображает различные мнения участников технологии экспертных систем.

Таблица 1.1 – Различные точки зрения на технологию

Технолог может быть инженером по знаниям или разработчиком программного обеспечения, а технология может быть представлена аппаратным или программным обеспечением. При решении любой проблемы, это вопросы, на которые требуется найти ответы, иначе технология не будет успешно использована. Как и любой другой инструмент, экспертные системы могут иметь правильное и неправильное применение. По росту нашего опыта, мы можем оценить, правильно ли применяем ЭС.

Лекция № 31. Экспертные системы

Введение

1. Организация
   знаний

2. Классификация
   и виды экспертных систем

3. Область
   применения экспертных систем

4. Структура и функционирование экспертных
   систем

   1. Типовая
      структура экспертных систем

   2. Интерфейс
      пользователя

   3. Подсистема
      приобретения знаний

   4. База
      знаний

   5. База
      данных

   6. Механизм
      логического вывода

   7. Объяснение
      решений

   8. Функционирование
      экспертных систем

5. Технология
   разработки

   1. Стадии
      создания экспертных систем

   2. Этапы
      разработки экспертных систем

   3. Разработка
      прототипа экспертной системы

   4. Сценарий построения БЗ

   5. Стадии
      приобретения знаний

   6. Формализация
      знаний

   7. Реализация
      базы знаний

   8. Критерии
      оценки ЭС

   9. Методы
      оценки

6. Оболочки
   экспертных систем

7. Оболочка
   ДИЭКС

   1. Модель
      представления знаний

   2. Сеть
      продукционных правил

   3. Логический
      вывод

   4. Язык
      консультаций

   5. Синтаксис
      консультаций

   6. Посылки
      цели и правила

   7. Вероятностные
      посылки

   8. Числовые
      посылки

   9. Типы
      «Вопрос» и «Константа»

   10. Состав
       базы знаний ДИЭКС

   11. Редактор
       базы знаний

   12. Компилятор
       базы знаний

   13. Редактор
       базы фактов

   14. Система
       консультаций

Введение

В середине семидесятых
годов в исследованиях по искусственному
интеллекту сформировалось самостоятельное
направление, получившее название
экспертные системы. Цель исследований
по экспертным системам состоит в
разработке программ (устройств), которые
при решении задач, трудных для
эксперта-человека, получают результаты,
не уступающие по качеству и эффективности
решениям, получаемым экспертом. В
большинстве случаев экспертные системы
решают трудно формализуемые задачи или
задачи, не имеющие алгоритмического
решения.

Рассмотрим несколько
определений.

Экспертная система —
программно-техническое средство,
позволяющее пользователю в диалоговом
режиме получать от компьютера
консультационную помощь в конкретной
предметной области, где сконцентрированы
опыт и знания людей-экспертов (специалистов
в данной области).

Экспертные системы –
программы для компьютера, которые могут
воспроизводить процесс решения проблемы
человеком-экспертом.[2]

Эспертная система —
программа, которая использует знания
специалистов (экспертов) о некоторой
конкретной узкоспециализированной
предметной области и в пределах этой
области срособна принимать решения на
уровне эксперта-профессилнала. [13] 

Экспертные системы —
прикладные программы ИИ, в которых база
знаний представляет собой формализованные
эмпирические знания высококвалифицированных
специалистов (экспертов) в какой-либо
узкой предметной области.[14] 

Экспертная система —
программа для компьютера, которая
оперирует со знаниями в определенной
предметной области с целью выработки
рекомендаций или решения проблем.[14] 

В основе функционирования
ЭС лежит использование знаний, а
манипулирование ими осуществляется на
базе эвристических правил, сформулированных
экспертами. ЭС выдают советы, проводят
анализ, выполняют классификацию, дают
консультации и ставят диагноз. Они
ориентированы на решение задач, обычно
требующих проведения экспертизы
человеком-специалистом. В отличие от
машинных программ, использующий
процедурный анализ, ЭС решают задачи в
узкой предметной области (конкретной
области экспертизы) на основе дедуктивных
рассуждений. Главное достоинство
экспертных систем — возможность
накапливать знания, сохранять их
длительное время, обновлять и тем самым
обеспечивать относительную независимость
конкретной организации от наличия в
ней квалифицированных специалистов.[1]

Определение

Экспертная
система (ЭС)  – это компьютерная
система, состоящая из (1) естественно-языкового
интерфейса, (2) базы знаний и (3) универсального
интерпретатора, реализующего логический
вывод на знаниях, в которой база знаний
формируется специалистом в предметной
области — экспертом.

С разработкой и использованием
экспертных систем тесно связаны такие
понятия, как знания и базы знаний. Особая
роль знаний в экспертных системах
обусловлена, прежде всего, областью их
применения. Экспертные системы
предназначены для решения трудно
формализуемых задач или задач, не имеющих
алгоритмического решения в
узкоспециализированных предметных
областях деятельности человека.
Экспертные системы позволяют
аккумулировать, воспроизводить и
применять знания, которые сами по себе
обладают определенной ценностью.

Переход от данных к знаниям
является закономерным следствием
развития и усложнения информационных
структур, обрабатываемых на компьютерах.
В настоящее время нет общепризнанного
формального определения понятия Знание.
Однако знания обладают рядом специфических
признаков, позволяющих определить
соотношение понятий Знание и База знаний
с понятиями Данные и База данных.
Сопоставление данных и знаний приводит
к неизбежному выводу, что данные –
составная часть знаний.

Наличие базы знаний и
относительно универсального интерпретатора
делает принципиально возможным создание
новых экспертных систем для новых
приложений путем разработки новой базы
знаний без изменения интерпретатора.
Процесс разработки экспертной системы,
таким образом, можно свести (при наличии
готового интерпретатора) к процессу
разработки базы знаний. Такая технология
получила название технологии «пустых
оболочек», когда однажды разработанная
экспертная система используется в
качестве оболочки для новых знаний. Как
правило, различные предметные области
знаний существенно различаются, и
поэтому для реализации экспертной
системы (и, следовательно, конкретной
базы знаний) необходимо иметь большой
набор оболочек с различными моделями
представления знаний и различными
механизмами логического вывода.

Для разработки ЭС используются
те же языки и системы программирования,
что и для обычных программ, но наличие
таких специфических для научного
направления Искусственный интеллект
структурных частей, как логический
вывод, естественно-языковый интерфейс,
делает предпочтительным использование
для разработки ЭС специализированных
языков, таких как ЛИСП, Пролог и специальных
средств поддержки разработки, что
позволяет отделить логику программы
от управления ходом вычислений, и что
делает процесс создания программы более
прозрачным.

Целью поддержки разработки
является облегчение творческого и
интеллектуального пути от идеи к ее
описанию в доступной компьютеру форме.
Специфика средств, языков программирования
и пользовательских интерфейсов оказывает
существенное влияние на технологию
создания ЭС: разработчику приходится
тратить больше времени на перевод идеи
на машинный язык, чем на доводку самой
идеи. Поддержка разработки должна
освободить пользователя от как можно
большего числа деталей и позволить ему
сосредоточиться на идее.

Эволюция
средств разработки ЭС

Эволюция
средств разработки ЭС может быть разбита
на четыре этапа:

• Дискретные средства

• Интегрированный набор
  средств

• Средства поддержки жизненного
  цикла

• Интеллектуальные средства
  поддержки жизненного цикла

Для этой эволюции характерны
две тенденции: увеличение степени охвата
этапов жизненного цикла ЭС; движение
от использования дискретных средств
ко все более интегрированным целостным
системам.

Дискретные
средства разработки экспертных систем

Существуют
различные средства поддержки разработки
программ. (1) Трансляторы языков
программирования и отладчики для
контроля за состоянием программ во
время выполнения были в числе первых
таких средств. (2) Отладчики наряду с (3)
экранными редакторами и в настоящее
время остаются наиболее часто используемыми
средствами, к другим популярным средствам
относятся (4) программы «красивой»
печати, (5) поддержка управления
конфигурацией, (6) программа перекрестных
программных ссылок и (7) трассировщик
выполнения.

Перечисленные средства
являются дискретными и независимыми.
Программист мог работать только с одним
средством. Например, во время отладки
надо было воспользоваться отладчиком
для определения ошибки, затем окончить
отладку, чтобы вызвать редактор для
исправления ошибки. После этого надо
было компилировать программу и вызывать
отладчик для дальнейшей отладки (цикл
редактирования –компилирования –
прогона). Программист вынужден был
вводить дополнительные команды и терять
время на запуск и окончание работы
системных средств. Прерывание процесса
отладки на редактирование, повторную
компиляцию и повторный запуск программы
серьезно затрудняло процесс обдумывания
задачи программистом.

Интегрированный
набор средств — Инструментальный ящик

Следующим
шагом в развитии средств разработки
был интегрированный набор средств,
названный Инструментальным ящиком.
Каждое средство проектировалось с
учетом остальных, поэтому система
обеспечивала возможность обращения к
другим средствам.

Например, такие системы,
как Turbo-Prolog, Interlisp-D, позволяют программисту
запустить программу сразу после ввода
ее в систему. В ответ на ошибку системой
вызывается отладчик, чтобы дать
возможность программисту изучить
причину сбоя. Программист может затем
отредактировать программу и продолжить
ее выполнение. Этот подход сокращает
время на исправление мелких ошибок в
программе для экспериментального
программирования (метод проб и ошибок),
обычно применяемого специалистами по
искусственному интеллекту.

Проектирование больших
программных систем является сложной
проблемой. Разбиение жизненного цикла
на несколько этапов (анализ требований,
спецификации, проектирование, реализация,
тестирование и отладка, работа и
сопровождение) направлено на уменьшение
сложности проектирования путем
изолирования и упорядочения важных
задач в процессе разработки.

Этапы
жизненного цикла

lnterlisp-D
и Turbo Prolog поддерживают только этапы
реализации и отладки. Исследования
показывают, что наибольший вклад в
стоимость жизненного цикла дает этап
сопровождения. Не менее важное значение
имеют средства этапа формирования
требований и спецификаций, потому что
любую ошибку в спецификациях очень
трудно и дорого исправлять на позднейших
этапах жизненного цикла. Таким образом,
анализ жизненного цикла важен для любой
части программного обеспечения, которая
предназначена для использования
конечными пользователями на заметном
интервале времени.

Успех методов искусственного
интеллекта в различных областях
мотивировал их применение в разработке
программного обеспечения. Показательными
системами являются проект «Помощник
программиста» в Массачусетском
технологическом институте, проект «Пси»
в Стэнфордском университете. В этих
проектах осуществляется попытка
моделировать знания, которыми пользуется
программист для понимания, проектирования,
реализации и сопровождения программы.
Эти знания могут быть использованы
экспертными системами для частичной
автоматизации процесса разработки
программ.

В заключение отметим
некоторые особенности этапов жизненного
цикла экспертных систем. Тестирование
экспертных систем отличается от
тестирования обычных систем.

Во-первых, экспертные системы
часто обладают недетерминированным
поведением, потому что стратегия
разрешения конфликтов может зависеть
от параметров времени выполнения. Это
делает поведение невоспроизводимым,
и, следовательно, более сложным для
отладки.

Во-вторых, для правил, в
отличие от процедур в традиционном
программном обеспечении, нет никаких
точных отношений ввода-вывода. Это
затрудняет применение для тестирования
анализа ввода-вывода.

В-третьих, число способов,
которыми могут быть активизированы
правила, слишком велико, чтобы пользоваться
средствами покрытия ветвей и путей.

Макетирование является
единственным эффективным способом
тестирования экспертной системы.
Сопровождение и модификация  – важная
часть разработки экспертных систем,
правила базы знаний эволюционируют с
накоплением опыта их применения, и,
следовательно, модифицируются чаще,
чем алгоритмы. Правила могут также
зависеть от времени, поэтому их
достоверность может также изменяться
со

3.1.Организация
знаний

Большая
часть задач инженерии знаний включает
получение знаний от экспертов в виде
фактов и правил и преобразование этой
информации в форму, которая может быть
эффективно использована машинной
программой. Рассмотрение экспертных
знаний как обязательного элемента,
определяющего успех функционирования
экспертной системы, приводит к тому,
что процесс приобретения и представления
знаний становится решающим аспектом
разработки этих систем.

Процесс создания, ведения
и модификации баз знаний экспертных
систем включает:

• определение состава
  представляемых знаний;

• организацию знаний;

• представление знаний, т.е.
  выбор или создание модели представления;

• использование модели
  представления знаний.

Определение состава
представляемых знаний
производится в зависимости от предметной
области и структуры экспертной системы.
При этом учитывается:

• тип решаемых задач,

• статический или динамический
  характер данных, а также такие параметры
  экспертных знаний, как

• точность,

• ошибочность,

• многозначность,

• полнота или неполнота
  знаний конкретной предметной области.

Зависимость состава знаний
от структуры экспертной системы
проявляется в необходимости знаний,
определяющих функционирование системы:

• управляющие знания, т.е.
  знания о процессе решения задачи;

• знания о языке сообщения
  и способах организации диалога;

• знания о способах представления
  и модификации знаний, необходимых для
  реализации функции приобретения и
  обновления знаний экспертных систем;

• поддерживающие и управляющие
  знания, необходимые для подсистемы
  объяснения.

Знания о языке общения
зависят от требуемого уровня понимания
и определяются интерфейсом экспертной
системы.

Пользователь,
исходя из целей и круга решаемых задач,
предъявляет свои
требования к составу знаний.
Им определяются:

• тип данных,

• предпочтительные способы
  и методы решений,

• ограничения на результаты
  и способы их получения,

• степень конкретности знаний
  о проблемной области.

Решение вопроса организации
знаний в значительной степени зависит
от выбранной модели представления
знаний. С точки зрения
организации знания
целесообразно рассматривать:

База
знаний экспертной системы может быть
представлена как:

Это
разбиение отражает различные
уровни представления знаний.

Усложнение функциональных
возможностей экспертной системы
происходит за счет того, что она должна
уметь не только использовать свои знания
о проблемной области (объектный уровень
знаний), но и обладает
способностью исследовать их – экспертная
система должна иметь знания
о том, как представлены ее знания
о проблемной области (метауровневые
знания).

Метазнания (знания метауровня)
не содержат ссылок к знаниям объектного
уровня и не зависят от проблемной
области. Основная цель
организации метазнаний
(многоуровневая организация знаний)
заключается в следующем:

• разработка стратегий
  доказательств в ЭС;

• управление выводом
  результатов поиска решений;

• увеличение выразительной
  мощности языков представления знаний.

Использование метазнаний
при разработке и выборе стратегий
доказательств связано с возможностью
определения
на метауровне новых
правил поиска результатов объектного
уровня. Метазнания в
виде стратегических метауровневых
правил:

• рассматриваются как
  высокоуровневый метод построения
  формальных доказательств;

• используются для выбора
  релевантных правил;

• позволяют системе
  адаптироваться путем перестройки
  правил и функций объектного уровня; а
  также

• явно указать возможности
  и ограничения системы.

Область управления
выводом является той
областью, в которой использование
метауровневых знаний получило наибольшее
распространение, это связано с тем, что
управление выводом можно считать частным
случаем определения стратегий
доказательств. Основная идея заключается
в возможности определения как зависящих,
так и не зависящих от проблемной области
стратегий принятия решений с помощью
знаний об управлении (эвристик). Выбранные
стратегии позволяют сократить число
вариантов поиска и тем самым увеличить
его эффективность.

В области представления
знаний наблюдается многообразие
языков и формализмов,
разработанных для конкретных потребностей
представления. Комбинирование
представления знаний
на объектном уровне и метауровне
оказалось очень полезным механизмом
абстрагирования, благодаря которому
решаются многие проблемы представления
знаний, такие как:

• знания системы о самой
  себе;

• знания об убеждениях,
  немонотонности;

• рассуждения при отсутствии
  явной информации;

• рассуждения, связанные с
  разными взглядами на объекты;

• взаимодействие между
  различными модулями знаний;

• взаимодействие между
  модулями знаний и пользователем.

Метазнания
выполняют также ряд вспомогательных
функций:

• обеспечение информацией
  архивного типа для работы стратегических
  метаправил;

• обоснование целесообразности
  применения правил для усиления
  способностей подсистемы объяснения;

• обнаружение ошибок в форме
  только что введенных правил, т.е. контроль
  при обновлении базы знаний;

• обнаружение синтаксических
  и семантических ошибок в правилах
  объектного уровня;

• упрощение ввода в систему
  новых знаний – фактов, правил, эвристик
  – посредством демонстрации структурных
  основ уже имеющихся знаний всех таких
  типов.

Распределение знаний по
уровням представления обеспечивает
расширение области применения ЭС,
значительно улучшает качественный и
количественный показатели системы.

Выделение уровней детальности
позволяет рассматривать знания с
различной степенью подробности.
Количество уровней детальности
определяется спецификой решаемых задач,
объемом знаний и способом их представления.
Введение нескольких уровней детальности
обеспечивает дополнительную гибкость
системы. Можно выделить три
уровня детальности,
отражающих:

• общую организацию знаний,

• логическую организацию и

• физическую организацию
  отдельных структур знаний.

Вопрос организации
знаний в базе знаний
связан с проблемой доступа к знаниям,
для того чтобы значительно ускорить
процесс поиска решений, необходимо
упорядочить и структурировать знания
вокруг наиболее важных понятий предметной
области.

Такой признак знаний, как
связность, позволяет представлять
знания, характеризующие конкретный
объект, в виде отдельных блоков и
устанавливать:

• связи между элементами
  этого блока (внутренние связи) и

• связи между блоками (внешние
  связи).

Конкретная реализация базы
знаний будет разобрана на примере
системы Диэкс.

Экспертная система Википедия

Экспе́ртная систе́ма (ЭС, англ. expert system) — компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные экспертные системы начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х годах получили коммерческое подкрепление. Предшественники экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины», позволявшие находить решения по заданным условиям, например, определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания^[1].

Важнейшей частью экспертной системы являются базы знаний как модели поведения экспертов в определённой области знаний с использованием процедур логического вывода и принятия решений, иными словами, базы знаний — совокупность фактов и правил логического вывода в выбранной предметной области деятельности.

Похожие действия выполняет такой программный инструмент как «Мастер» (англ. Wizard). Мастера применяются как в системных программах, так и в прикладных для упрощения интерактивного общения с пользователем (например, при установке ПО). Главное отличие мастеров от экспертных систем — отсутствие базы знаний — все действия жёстко запрограммированы. Это просто набор форм для заполнения пользователем.

Другие подобные программы — поисковые или справочные (энциклопедические) системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей (представления об объектах областей знаний, их виртуальную модель).

В настоящее время «классическая» концепция экспертных систем, сложившаяся в 1970—1980 годах, переживает кризис, по всей видимости связанный с её глубокой ориентацией на общепринятый в те годы текстовый человеко-машинный интерфейс, который в настоящее время в пользовательских приложениях почти полностью вытеснен графическим (GUI). Кроме того, «классический» подход к построению экспертных систем плохо согласуется с реляционной моделью данных, что делает невозможным эффективное использование современных промышленных СУБД для организации баз знаний таких систем.

Нередко в качестве маркетингового хода экспертными системами объявляются современные программные продукты, в «классическом» понимании таковыми не являющиеся (например, компьютерные справочно-правовые системы). Предпринимаемые энтузиастами попытки объединить «классические» подходы к разработке экспертных систем с современными подходами к построению пользовательского интерфейса (проекты CLIPS Java Native Interface, CLIPS.NET и др.) не находят поддержки среди крупных компаний-производителей программного обеспечения и по этой причине остаются пока в экспериментальной стадии.

Структура ЭС интеллектуальных систем

Книга^[2] представляет следующую структуру ЭС:

База знаний состоит из правил анализа информации от пользователя по конкретной проблеме.
ЭС анализирует ситуацию и, в зависимости от направленности ЭС, даёт рекомендации по разрешению проблемы.

Как правило, база знаний экспертной системы содержит факты (статические сведения о предметной области) и правила — набор инструкций, применяя которые к известным фактам можно получать новые факты.

В рамках логической модели базы знаний могут основываться, например, на языке программирования Пролог с помощью языка предикатов для описания фактов и правил логического вывода, выражающих правила определения понятий, для описания обобщённых и конкретных сведений, а также конкретных и обобщённых запросов к базам данных и базам знаний.

Конкретные и обобщённые запросы к базам знаний на языке Пролог записываются с помощью языка предикатов, выражающих правила логического вывода и определения понятий над процедурами логического вывода, имеющихся в базе знаний, выражающих обобщённые и конкретные сведения и знания в выбранной предметной области деятельности и сфере знаний.

Обычно факты в базе знаний описывают те явления, которые являются постоянными
для данной предметной области. Характеристики, значения которых зависят от условий конкретной
задачи, ЭС получает от пользователя в процессе работы, и сохраняет их в рабочей памяти.
Например, в медицинской ЭС факт «У здорового человека 2 ноги» хранится в базе знаний, а факт «У пациента одна нога»
— в рабочей памяти.

База знаний ЭС создаётся при помощи трёх групп людей:

1. эксперты той проблемной области, к которой относятся задачи, решаемые ЭС;
2. инженеры по знаниям, являющиеся специалистами по разработке ИИС;
3. программисты, осуществляющие реализацию ЭС.

Режимы функционирования

ЭС может функционировать в 2-х режимах.

1. Режим ввода знаний — в этом режиме эксперт с помощью инженера по знаниям посредством редактора базы знаний вводит известные ему сведения о предметной области в базу знаний ЭС.
2. Режим консультации — пользователь ведёт диалог с ЭС, сообщая ей сведения о текущей задаче и получая рекомендации ЭС. Например, на основе сведений о физическом состоянии больного ЭС ставит диагноз в виде перечня заболеваний, наиболее вероятных при данных симптомах.

Классификация ЭС

Классификация ЭС по решаемой задаче

Классификация ЭС по связи с реальным временем

• Статические — решающие задачи в условиях не изменяющихся во времени исходных данных и знаний.
• Квазидинамические  — интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.
• Динамические — решающие задачи в условиях изменяющихся во времени исходных данных и знаний.

Этапы разработки ЭС

• Этап идентификации проблем — определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей.
• Этап извлечения знаний — проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.
• Этап структурирования знаний — выбираются ИС и определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.
• Этап формализации — осуществляется наполнение экспертом базы знаний. В связи с тем, что основой ЭС являются знания, данный этап является наиболее важным и наиболее трудоёмким этапом разработки ЭС. Процесс приобретения знаний разделяют на извлечение знаний из эксперта, организацию знаний, обеспечивающую эффективную работу системы, и представление знаний в виде, понятном ЭС. Процесс приобретения знаний осуществляется инженером по знаниям на основе анализа деятельности эксперта по решению реальных задач.
• Реализация ЭС — создаётся один или несколько прототипов ЭС, решающие требуемые задачи.
• Этап тестирования — производится оценка выбранного способа представления знаний в ЭС в целом.

Наиболее известные ЭС

• CLIPS — весьма популярная оболочка для построения ЭС (public domain)
• OpenCyc — мощная динамическая ЭС с глобальной онтологической моделью и поддержкой независимых контекстов
• Wolfram|Alpha — база знаний и набор вычислительных алгоритмов, интеллектуальный «вычислительный движок знаний»
• MYCIN — наиболее известная диагностическая система, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях.
• HASP/SIAP — интерпретирующая система, которая определяет местоположение и типы судов в Тихом океане по данным акустических систем слежения.
• Акинатор — интернет-игра. Игрок должен загадать любого персонажа, а Акинатор должен его отгадать, задавая вопросы. База знаний автоматически пополняется, поэтому программа может отгадать практически любого известного персонажа.
• IBM Watson — суперкомпьютер фирмы IBM, способный понимать вопросы, сформулированные на естественном языке, и находить на них ответы в базе данных.

См. также

Ссылки

Литература

Разница между искусственным интеллектом и экспертной системой в 2020 году

Разница между программным обеспечением экспертных систем и искусственным интеллектом в 2018 году

При диагностике пациента для определения наличия и типа рака врач анализирует результаты их анализов. Излишне говорить, что правильная диагностика рака, а также его типа является краеугольным камнем успешного лечения.

ВОЗВРАЩЕНИЕ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ EXPERT SYSTEMS

Сегодня врач обращается к литературе по этому вопросу и исследует подобные случаи.Но другой вариант — ввести результаты анализов и историю болезни пациента в компьютерную программу и сравнить их с миллионами аналогичных записей патологии.

Есть типы и подтипы рака, которые очень редки и трудно различимы. А разные подтипы рака могут потребовать совершенно разных планов лечения.

Чтобы решить эту проблему, команда из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института представила модель, которая направлена ​​на автоматическое различение типа лимфомы — группы рака крови.

В модели используется множество методов, в том числе обработка естественного языка и машинное обучение.

Разработанная структура анализирует отчеты о патологии, которые предоставляют полный объем измерений, наблюдений и интерпретаций, сделанных патологами — все на естественном языке. Благодаря подробному анализу признаков их система генерирует значимые особенности и медицинское понимание классификации лимфом.

Модель

Team может помочь врачам поставить более точный диагноз на основе более полных данных.Представьте, какое большое влияние окажет такая система, если ее распространить на другие учреждения!

Теперь ответы и рекомендации в специализированных областях могут быть предоставлены не только специалистом, но и с помощью программного обеспечения.

И такое ПО может быть создано для профессионалов из любой сферы — от страховых наладчиков до инженеров и менеджеров.

И делает это даже лучше человека.

ЧТО ТАКОЕ ЭКСПЕРТНАЯ СИСТЕМА

Экспертная система (ES) — это программа, предназначенная для решения проблем в специализированной области, в которой обычно требуется специалист-человек.

Подражая мышлению экспертов-людей, система может выполнять анализ, проектирование или мониторинг, принимать решения и многое другое.

На самом деле, такие системы были построены очень давно, и стали первым успешным воплощением искусственного интеллекта. Но из-за слабого развития искусственного интеллекта, НЛП, экспертные системы не оправдали ожиданий делового мира, и сам термин был исключен из лексикона ИТ-мира.

Но сейчас, с быстрым развитием и заметными достижениями в области искусственного интеллекта, машинного обучения, глубокого обучения и обработки естественного языка, мы вот-вот увидим их возвращение.

Их можно называть по-разному, но суть остается прежней — решение задач экспертного уровня

ОСНОВНЫЕ КОМПОНЕНТЫ

1. База знаний

Сила экспертных систем проистекает из специфических знаний об узкой области, которую они хранят. База знаний ES содержит как фактические, так и эвристические знания.

2. Механизм вывода — механизм рассуждений

Механизм вывода

предоставляет методологию рассуждений об информации в базе знаний.Его цель — предложить рекомендацию, и для этого он объединяет факты конкретного случая (входные данные) со знаниями, содержащимися в базе знаний.

Логический вывод может быть выполнен с использованием семантических сетей, производственных правил и логических операторов.

Существует два типа стратегий, управляемых данными — прямая и обратная цепочки. Прямая цепочка применяется для прогнозирования, тогда как обратная цепочка обнаруживает причины, по которым произошло определенное действие.

3. Пользовательский интерфейс — аппаратное и программное обеспечение, обеспечивающее взаимодействие между программой и пользователями.

ВИДЫ РЕШАЕМЫХ ПРОБЛЕМ

ES можно отличить по выполняемому действию или типу проблемы, которую они помогают решить:

Классификация и диагностика: идентификация объекта по заявленным характеристикам

Примеры: диагностика медицинских заболеваний, обнаружение мошенничества с заявками на страхование

Мониторинг: постоянное сравнение данных с предписанным поведением

Примеры: контроль утечек в протяженных нефтепроводах, выявление неисправностей в транспортных средствах

Прогноз: показ оптимального плана

Примеры: прогнозирование состояния рынка акций, оценка контракта

Дизайн: настройка системы по ТУ

Примеры: расписание авиакомпаний, расписание грузов

ПРЕИМУЩЕСТВА ЭКСПЕРТНЫХ СИСТЕМ

Доступны экспертные знания

Опыт очень сложно получить и уловить.

В определенный момент многие эксперты настолько углубляют свое понимание, что их решения становятся интуитивно понятными. В результате их объяснения не очень помогли бы. Кроме того, их время драгоценно, и его не следует слишком часто тратить на непрямые задачи.

Но после того, как экспертные знания были собраны и сохранены в программном обеспечении в структурированном виде, их можно легко извлечь и понять.

Информация собрана вместе

Специалисты, с которыми профессионал хотел бы проконсультироваться, могут быть недоступны.Также специалист может не знать о современных изобретениях, новых исследованиях и открытиях, связанных с частью его работы.

Программное обеспечение Expert System может оказаться большим подспорьем, предлагая знания о подобных случаях, особенно если оно используется международной компанией. Кроме того, экспертная система также может служить инструментом самопроверки.

Автоматизация и скорость

ES обеспечивают высокую скорость и сокращают объем работы, которую выполняет человек.

Снижение ошибок и рисков

Частота ошибок ES ниже по сравнению с человеческими ошибками.

Не говоря уже о том, что они могут работать в опасной для человека среде.

Поможем даже неспециалистам

ES может помочь, выступая в качестве инструмента обучения молодых сотрудников и неспециалистов.

ЭКСПЕРТНЫЕ СИСТЕМЫ vs ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

Краткое напоминание: искусственный интеллект — это область компьютерных наук, которая посвящена наделению машин функциями, связанными с человеческим интеллектом.К ним относятся рассуждение, оценка, обучение, распознавание языка, принятие решений и решение проблем.

Экспертные системы были первым успешным применением искусственного интеллекта в целях бизнеса.

Их решения были основаны на правилах — они состояли из большого количества правил «если — то».

Например: «Если будет солнечно, пойду купаться» и т. Д.

Системы на основе правил — это простейшая форма искусственного интеллекта.

Но такого подхода было недостаточно для действительно мощного и надежного программного обеспечения Expert System.

Решения, основанные на правилах, не могут решить многие проблемы. Например, системы часто выходили из строя, когда сталкивались с новой, не жестко запрограммированной ситуацией. Также было сложно собрать экспертные знания (проблема «сбора данных») и построить базу знаний.

В результате Expert Systems не оправдала ожиданий делового мира. На время они канули в Лету.

Переход от подхода, основанного на правилах, к подходу, основанному на данных, проложил путь к новой эре в искусственном интеллекте

До достижений ИИ произошло серьезное увеличение вычислительных мощностей.

Кроме того, стало проще собирать данные и недорого хранить.

Затем вся парадигма ИИ изменилась.

Вместо того, чтобы создавать систему, которая пытается делать логические выводы на основе заранее определенных правил, программное обеспечение ИИ начало использовать подход, основанный на данных и вероятности.

Открывая большое количество известных фактов механизму обучения и выполняя сеансы настройки, вы получаете систему, которая может делать прогнозы или идентифицировать невидимые случаи. Это метод постоянных проб и ошибок.

Это, по сути, основные концепции машинного обучения.

Для экспертных систем ситуация изменилась

Если мы определим экспертную систему как ее прямое использование — как программное обеспечение, предназначенное для решения проблем и задач экспертного уровня, а не как метод достижения этого, мы вполне уверены, что они скоро вернутся.

Приложения диагностической экспертной системы продолжают оставаться самыми популярными. Одним из примеров может быть Watson от IBM, который лучше диагностирует рак, чем врачи.

Кроме того, в последние годы системы рекомендаций взяли верх над рекомендациями продуктов клиентам. Заметным событием стал конкурс Netflix на рекомендации фильмов, который привел к всплеску инноваций и интереса к этой области. И эта тенденция сохранится.

Есть все основания полагать, что последние достижения в области технологий искусственного интеллекта внесут большой вклад в дальнейшее развитие экспертных систем.

Сегодня мы можем создавать надежные экспертные системы, о которых только мечтали несколько десятилетий назад. Для этого требуется большой объем данных и, как всегда, команда профессионалов, обладающих значительным опытом в разработке программного обеспечения и машинном обучении.

.

Какие существуют типы программного обеспечения экспертных систем?

Программное обеспечение экспертных систем создается разработчиками по многим причинам, но эти программы обычно создаются для того, чтобы просматривать данные, а затем что-то делать с информацией или реагировать на нее. Программное обеспечение экспертных систем диагностики и ремонта выявляет проблемы, рекомендует план действий и может составить график для решения проблемы. Обучающие экспертные системы используют тесты или другие методы для оценки способностей пользователя, а затем представляют материал в наилучшем для учащегося порядке.Экспертные системы интерпретации и прогнозирования похожи, за исключением того, что одна сравнивает данные, чтобы найти ответ, а другая использует данные для прогнозирования результата. Экспертные системы мониторинга — это автоматические системы, которые следят за окружающей средой, например за производством, и реагируют на функции и потребности.

Программное обеспечение экспертных систем обучения можно использовать для обучения новых сотрудников.

Программное обеспечение экспертных систем диагностики и ремонта похоже на программы, но то, как они реагируют на информацию, отличается. Оба смотрят на информацию, чтобы определить проблему, и оба рекомендуют лучший способ ее решения. Разница в том, что экспертная система диагностики просто сообщает пользователю наилучшее решение или шаги по устранению неполадок. Система ремонта детализирует график и все шаги, необходимые для устранения проблемы.

Программное обеспечение экспертных систем

Instruction используется для обучения новых сотрудников или индивидуального обучения студентов.Эта система сначала проводит тесты для сбора информации о пользователе, чтобы понять его или ее сильные и слабые стороны. После сбора данных учебная система затем представит материал, который наилучшим образом дополняет профиль обучения студента, чтобы он или она учились с максимальной эффективностью.

Программное обеспечение экспертных систем для интерпретации и прогнозирования предназначено для просмотра данных и проведения анализа информации.Система интерпретации часто используется при бурении минералов и газа для просмотра изображений и других факторов для определения наилучшего способа добычи материала и помогает рабочим понять, какой материал был обнаружен. Система прогнозирования смотрит на информацию и прогнозирует результат, например, с помощью служб прогнозирования погоды.

Программное обеспечение экспертных систем мониторинга используется в основном на производственных и энергетических предприятиях и автоматизирует все процессы.В систему встроены правила, которые сообщают системе, каковы оптимальные рабочие температуры, что следует делать с неисправным оборудованием и другие факторы, которые обычно возникают на предприятии. Затем экспертная система будет постоянно анализировать среду и реагировать на любые изменения, чтобы убедиться, что все работает оптимально, исправляя проблемы по мере необходимости.

.

Информационные системы управления — Экспертная система

Информационные системы управления: сущность управления заключается в принятии решений. эффективных менеджеров принимают своевременные и хорошо информированные решения. Без хорошо информированных решений они не будут эффективными. Без своевременных решений ничего не будет сделано . Однако часто бывает сложно правильно сочетать эти два противоположных фактора.

Во многих случаях система управленческой информации (MIS) является решением этой борьбы решений, принимающих приоритетов .MIS — это компьютерная система (аппаратное / программное обеспечение) в рамках бизнеса, которая выполняет множество функций, включая распространение своевременной и точной информации для помощи в планировании, контроле и операционных аспектах ведения бизнеса.

Информационная система управления может достичь всего этого путем преобразования необработанных данных (структурированных и неструктурированных) в полезную информацию. Это дает менеджерам доступ ко всем ресурсам, которые им необходимы для принятия максимально обоснованных решений.

Информационные системы управления не ограничиваются предоставлением информации менеджерам

В своей наиболее важной / истинной форме MIS имеют информационную базу знаний для анализа как внутренних, так и внешних предупреждающих знаков, автоматизирует некоторые рутинные задачи обработки, эффективно / действенно координирует работу отделов, дает доступ к надежным справочным материалам и необходимым данным / документам и помочь обнаружить / использовать конкурентные преимущества.Помимо предоставления менеджерам необходимых ресурсов для принятия хорошо информированных рутинных и нестандартных решений.

Но информационное представление — это то, что лучше всего умеет MIS

Информационные системы управления собирают различные типы структурированных и неструктурированных данных и представляют их менеджерам в удобной для понимания форме. Это используется, чтобы помочь менеджерам в процессе принятия решений. Примеры представленной информации: сравнительные цифры продаж, предположения о продажах новых продуктов, ежедневные или прогнозируемые доходы / расходы и последствия альтернативных решений (что сработало, а что не сработало в прошлом).

Делай больше, лучше

С помощью информационной системы управления любая корпорация, большая или маленькая, может достичь большего, потому что MIS позволяет руководителям и сотрудникам выполнять работу и принимать более своевременные и эффективные решения .

.

Понимание естественного языка: что это такое и чем оно отличается от НЛП

Вы когда-нибудь спрашивали: «Алекса, какая погода на улице?» или «Сири, как сегодня утром пробки?»

Если да, то вы получили бы ответ с подтверждением данных от вашего личного цифрового помощника.

Как понять, что вам интересно узнать погоду в определенном месте или трафик на конкретном маршруте, по которому вы путешествуете каждое утро? Ответ — NLU: понимание естественного языка. Эта автоматизация, основанная на искусственном интеллекте, позволяет голосовым технологиям , таким как Siri, Cortana, Alexa и Google Assistant, , определять, что вы на самом деле имеете в виду , независимо от того, как вы это выражаете.

Понимание естественного языка (NLU) определяется Gartner как «понимание компьютерами структуры и значения человеческого языка (например, английского, испанского, японского), позволяющее пользователям взаимодействовать с компьютером, используя естественные предложения». .Другими словами, NLU — это искусственный интеллект, который использует компьютерное программное обеспечение для интерпретации текста и любого типа неструктурированных данных . NLU может переваривать текст, переводить его на компьютерный язык и производить вывод на языке, понятном людям.

NLU & NLP: В чем разница?

NLU и обработку естественного языка (NLP) часто путают. Напротив, это разные части одного и того же процесса разработки естественного языка. Действительно, NLU — это компонент NLP.Точнее, — это подмножество понимания и понимания части обработки естественного языка.

Понимание естественного языка интерпретирует значение, которое передает пользователь, и классифицирует его по правильным намерениям. Например, людям, говорящим на одном языке, относительно легко понять друг друга, хотя неправильное произношение, выбор словаря или фраз могут усложнить это. NLU отвечает за эту задачу по различению того, что подразумевается под применением ряда процессов, таких как категоризация текста, анализ содержимого и анализ тональности , что позволяет машине обрабатывать различные входные данные.

С другой стороны, обработка естественного языка — это общий термин для объяснения всего процесса преобразования неструктурированных данных в структурированные. НЛП помогает технологиям общаться с использованием естественного человеческого языка . В результате теперь у нас есть возможность установить разговор с виртуальной технологией, чтобы выполнять задачи и отвечать на вопросы.

Умение формулировать содержательные ответы на вопросы пользователей — это предмет Cogito Answers . Это решение Cogito поддерживает предприятия посредством управления клиентским опытом и автоматизированных персональных помощников для клиентов . Используя Cogito Answers, компании предоставляют подробные и актуальные ответы на запросы клиентов при первом контакте.

Заинтересованы в улучшении обслуживания клиентов в вашем бизнесе? Cogito Answers делает каждый этап процесса поддержки проще, быстрее и дешевле как для клиента, так и для обслуживающего персонала.

Хотите узнать больше?

СВЯЗАТЬСЯ С НАМИ ЗАПРОСИТЬ ДЕМО

Первоначально опубликовано в январе 2019 г., обновлено в апреле 2020 г.

.