Примеры экспертные системы: Пример экспертной системы / Песочница / Хабр

Пример экспертной системы / Песочница / Хабр

Введение

Здравствуйте.
В своем первом топике хочу постараться рассказать о такой вещи как экспертные системы. Насколько вижу эта тема не достаточно сильно охвачена хабром.
Экспе́ртная систе́ма (ЭС, expert system) — компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. (с) Википедия.
В качестве тестовой задачи постараемся создать некий аналог системного администратора. Наверное каждого, кто имеет хотя бы некоторое отношение к ИТ просили помочь с компьютером (не включается).Вы приходили, включали компьютер в розетку и он начинал работать. Это приятно, если просит красивая девушка и не каждый день.А если их много и не все девушки и не все красивые?

Решение

Давайте формализуем процесс диагностики неисправности компьютера.
В первую очередь следует задать вопросы, что бы определить тип возможной неисправности.

А-Загружается ли у вас компьютер?

Q-Нет

A-Включено ли питание.

Q- Да.

А- Обратитесь к системному администратору.

Вот такую нехитрую систему попробуем реализовать.

Реализация

Опишем вопросы на каком либо языке программирования.
По сути можно это сделать и на ASM. Но мы же не программисты.Мы спецы в своей области (с тем же успехом можно реализовать диагностику здоровья, а врач, который кодит на асме редкость). Значит надо выбрать язык «заточенный» под экспертные системы. Где не надо думать, сколько памяти под массив выделить и т.д.
Побродив по просторам интернета останавливаемся на языке CLIPS (можно выбрать было бы и LISP, но остановимся на CLIPS).
CLIPS работаетс правилами и фактами. Различные факты могут сделать правило применимым. Применимое правило затем допускается (assert). Факты и правила создаются предварительным объявлением.

Опишем в правилах языка CLIPS правило:

;; Правило determine-working-state

(defrule determine-working-state «»

(not (working-state ?))

(not (repair ?))

=>

(if (yes-or-no-p «Загружается ли OS? (yes/no)? „)

then

(if (yes-or-no-p “OS работает корректно? (yes/no)? „)

then

(assert (working-state not-stable))

else

(assert (repair “Remont ne trebuetsa»))

(assert (working-state stable))

)

else

(assert (working-state disenabled))

)

)

Здесь задаются вопросы при помощи некой функции yes-ur-no-p, котороая реализована следующим образом:
(deffunction yes-or-no-p (?question)

(bind ?response (ask-question ?question yes no y n))

(if (or (eq ?response yes) (eq ?response y))

then TRUE

else FALSE))

Где мы получаем ответ на вопрос, который формируется следующим образом:

(deffunction ask-question (?question $?allowed-values)

(printout t ?question)

(bind ?answer (read))

(if (lexemep ?answer)

then (bind ?answer (lowcase ?answer)))

(while (not (member ?answer ?allowed-values)) do

(printout t ?question)

(bind ?answer (read))

(if (lexemep ?answer)

then (bind ?answer (lowcase ?answer))))

?answer)


После того как пользователь ответил, срабатывает assert, после чего правило «срабатывает».

Полльзователь на вопрос загружется ОС ответил «Нет». Значит проверяем включено ли питание.

;;правило определяющее включен ли компьютер

(defrule determine-power-state ""

(working-state disenabled)

(not (power-state ?))

(not (repair ?))

=>

(if (yes-or-no-p "Подается ли питание? (yes/no)? ")

then

(assert (repair "Следует проверить исправность "железа" или переставить ОС"))

(assert (power-state be))

else

(assert (repair "Подайте питание"))

(assert (power-state not))

)

)

Пользователь отвечает «Да», и ему предлагается решение неисправности.

Заключение

В данном посте я постарался описать примитивную задачу. В реальных условиях такая система может быть полезна при передаче своего проекта заказчику в качестве хелпа, что бы он не дергал разработчиков по пустяковым вопросам.
Буду рад ответить на ваши вопросы.

Экспертные системы

Искусственный интеллект, как научная дисциплина, состоит из нескольких крупных течений. Одно из них – экспертные системы.

Экспертные системы это направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области.

Как правило, экспертные системы создаются для решения практических задач в некоторых узкоспециализированных областях, где большую роль играют знания «бывалых» специалистов. Экспертные системы были первыми разработками, которые смогли привлечь большое внимание к результатам исследований в области искусственного интеллекта.

Экспертные системы имеют одно большое отличие от других систем искусственного интеллекта: они не предназначены для решения каких-то универсальных задач, как например нейронные сети или генетические алгоритмы. Экспертные системы предназначены для качественного решения задач в определенной разработчиками области, в редких случаях – областях.

Экспертное знание – это сочетание теоретического понимания проблемы и практических навыков ее решения, эффективность которых доказана в результате практической деятельности экспертов в данной области. Фундаментом экспертной системы любого типа является база знаний, которая составляется на основе экспертных знаний специалистов. Правильно выбранный эксперт и удачная формализация его знаний позволяет наделить экспертную систему уникальными и ценными знаниями. Врач, к примеру, хорошо диагностирует болезни и эффективно назначает лечение, не потому, что он обладает некими врожденными способностями, а потому что имеет качественное медицинское образование и большой опыт в лечении своих пациентов. Поэтому ценность всей экспертной системы как законченного продукта на 90% определяется качеством созданной базы знаний.

Экспертная система – это не простая программа, которая пишется одним или несколькими программистами.

Экспертная система является плодом совместной работы экспертов в данной предметной области, инженеров по знаниям и программистов.

Но стоит отметить, что встречаются случаи, когда программы пишутся самими экспертами в данной области.

Эксперт предоставляет необходимые знания о тщательно отобранных примерах проблем и путей их решения. Например, при создании экспертной системы диагностики заболеваний врач рассказывает инженеру по знаниям об известных ему заболеваниях. Далее эксперт раскрывает список симптомов, которые сопровождают каждое заболевание и в заключение рассказывает об известных ему методах лечения. Инженер по знаниям, формализует всю полученную информацию в виде базы знаний и помогает программисту в написании экспертной системы.

Первую экспертную систему, которую назвали Dendral, разработали в Стэнфорде в конце 1960-х г.г. Эта была экспертная система, определяющая строение органических молекул по химическим формулам и спектрографическим данным о химических связях в молекулах. Ценность Dendral заключалась в следующем. Органические молекулы, как правило, очень велики и поэтому число возможных структур этих молекул также велико. Благодаря эвристическим знаниям экспертов-химиков, заложенных в экспертную систему, правильное решение из миллиона возможных находилось всего за несколько попыток. Принципы и идеи, заложенные в Dendral оказались настолько эффективными, что они до сих пор применяются в химических и фармацевтических лабораториях по всему миру.

Экспертная система Dendral одной из первых использовала эвристические знания специалистов для достижения уровня эксперта в решении задач, однако методика современных экспертных систем связана с другой разработкой – Myсin. В ней использовались знания экспертов медицины для диагностики и лечения специального менингита и бактериальных инфекций крови.

Экспертная система Mycin, разработанная в том же Стэнфорде в середине 1970-х г.г., одной из первых обратилась к проблеме принятия решений на основе ненадежной или недостаточной информации. Все рассуждения экспертной системы Mycin были основаны на принципах управляющей логики, соответствующих специфике предметной области. Многие методики разработки экспертных систем, использующиеся сегодня, были впервые разработаны в рамках проекта Mycin.

На сегодняшний день создано уже большое количество экспертных систем. С помощью них решается широкий круг задач, но исключительно в узкоспециализированных предметных областях. Как правило, эти области хорошо изучены и располагают более менее четкими стратегиями принятия решений. Сейчас развитие экспертных систем несколько приостановилось, и этому есть ряд причин:

• Передача экспертным системам «глубоких» знаний о предметной области является большой проблемой. Как правило, это является следствием сложности формализации эвристических знаний экспертов.
• Экспертные системы неспособны предоставить осмысленные объяснения своих рассуждений, как это делает человек. Как правило, экспертные системы всего лишь описывают последовательность шагов, предпринятых в процессе поиска решения.
• Отладка и тестирование любой компьютерной программы является достаточно трудоемким делом, но проверять экспертные системы особенно тяжело. Это является серьезной проблемой, поскольку экспертные системы применяются в таких критичных областях, как управление воздушным и железнодорожным движением, системами оружия и в ядерной промышленности.
• Экспертные системы обладают еще одним большим недостатком: они неспособны к самообучению. Для того, чтобы поддерживать экспертные системы в актуальном состоянии необходимо постоянное вмешательство в базу знаний инженеров по знаниям. Экспертные системы, лишенные поддержки со стороны разработчиков, быстро теряют свою востребованность.

В заключение стоит отметить, что несмотря на все эти ограничения и недостатки, экспертные системы уже доказали всю свою ценность и значимость во многих важных приложениях.

Создание экспертной системы в Wi!Mi 1.1 / Хабр

Wi!Mi – это инструмент для создания моделей знаний с неограниченным количеством связей, параметров и отношений, обладающий логическим выводом. Скачать данный конструктор можно с официального сайта.
К сожалению, адекватного туториала по данной программе я не нашел, не считая видеоурока на youtube. Поэтому решил написать его самостоятельно.

Я изначально решил поставить себе определенную прикладную задачу:

«Существует N организация, у которой есть служба ремонта техники. Количество сотрудников 3 человека. Интенсивность поступления оборудования — 2 клиента в час. А интенсивность обслуживания равно 2. Почасовая оплата сотрудника составляет 8 у.е./час. Убыток службы от нахождения клиента в очереди составляет 10 у.е./час. Необходимо вычислить суммарные затраты фирмы».

Перед тем, как описывать процесс решения данной задачи, проведу краткий экскурс по теории, на которой базируется данная программа. В основе Wi!Mi лежит миварный подход к описанию и формализации любых типов знаний. Этот подход основан на создании эволюционного многомерного динамического пространства унифицированного представления данных и правил. Иначе говоря, получается, что миварный подход обобщает общепринятые подходы — к примеру, такие как когнитивные карты и онтологии.
Для простоты я разбил все данные на входные и выходные, чтобы проще было ориентироваться.

Входные данные модели:

• Интенсивность поступления оборудования lambda;
• Интенсивность обслуживания Mu;
• Оплата сотрудника S;
• Убытки фирмы в случае простоя Ub;
• Число сотрудников K.

Выходные данные модели:

• Загрузка одного сотрудника Ro;
• Клиентов в очереди Q;
• Суммарные затраты фирмы Cp.

Стоит отметить, что в программе присутствует кнопочка изменения языка, которая позволяет на любом этапе создания модели поменять язык интерфейса на английский / русский. К сожалению, во многих программах такой возможности нет (это лирическое отступление — наболевшая проблема).

Вернемся к созданию модели. Создадим два класса «Входные данные модели» и «Выходные данные модели». Для этого нажимаем кнопку «Добавить объект» и выбираем его тип «Класс».

Задаем имя класса и пишем его описание. Потом необходимо добавить параметры в наш класс. Для этого нажимаем на «Добавить параметр», и в открывшимся окне вводим необходимые данные – имя и тип. Стоит вводить и описание, но это не обязательный параметр — просто он позволяет легче ориентироваться в модели и понимать, для чего нужен тот или иной объект.

После того, как мы создадим два класса и наполним их объектами, получим следующий вид:

Далее нам необходимо создать отношения между объектами. Для этого переходим на вкладку «Отношения», нажимаем «Добавить отношение» и выбираем тип «Формула».

Введем формулу загрузки одного сотрудника Ro = lambda / (Mu * K) и нажмем на кнопку «Анализировать формулу». Программа автоматически определит входные и выходные параметры. Аналогичные действия делаем с формулой количества клиентов в очереди

Q =( K * Math.pow(Ro,K+1)) / (1 — Math.pow(Ro,K)) и с суммарными затратами фирмы Cp = K * S + Ub * Q.

Теперь необходимо создать правила. Для этого нажимаем на «Добавить правило» и выбираем тип «Простое правило».

Далее выбираем отношение, с которым мы будем работать. Выбрав его, привязываем к каждому объекту соответствующий параметр. Стоит отметить, что отношение может быть представлено в виде иных значений (x=y+z) — главное, чтобы оно повторяло структуру формулы. Это бывает удобно, когда к отношению привязывается несколько правил. Так как модель небольшая, я для простоты использовал значения, идентичные параметрам.

После того как мы создали все отношения и привязали к ним правила, получаем следующий вид:

Создание модели закончено. Теперь нужно ее проверить. Для этого необходимо перейти во вкладку «Умный калькулятор». Раскроем root и наши два класса. Введем данные из нашего условия и отметим галочкой параметры, которые необходимо получить.

Программа произвела расчет и выдала алгоритм решения.

Шаг № 0

Описание правила: Вычисление загрузки одного сотрудника

Входные параметры:

lambda=2;

Mu=2;

K=3;

Формула:

Ro = lambda / (Mu * K)

Результат: Ro=0.333333333333333;

------------------------------------

Шаг № 1

Описание правила: Вычисление загрузки очереди клиентов

Входные параметры:

K=3;

Ro=0.333333333333333;

Формула:

Q = (K * Math.pow(Ro,K+1)) / (1 - Math.pow(Ro,K))

Результат: Q=0.0384615384615384;

------------------------------------

Шаг № 2

Описание правила: Вычисление затрат фирмы

Входные параметры:

K=3;

S=8;

Ub=10;

Q=0.0384615384615384;

Формула:

Cp = K * S + Ub * Q

Результат: Cp=24.3846153846154;

------------------------------------


Также можно нажать на галочку «Показать граф решения». Будет визуализирован весь алгоритм в виде графа.

В целом инструмент очень простой — даже в реализации интерфейсов. Однако для человека, который не хочет или не умеет программировать (а если умеет программировать, то в Wi!Mi есть специальные «Сложные» отношения, которые позволяют писать их на JavaScript), или не хочет долго вникать, как работать с этой «штукой» — отличный вариант. Хотел сказать еще, что все модели сохраняются в .XML формате.

По сути, остается написать свой интерфейс, распарсить эти данные — и мы получим свою полноценную программку. Лично мне было удобно использовать данный конструктор для быстрого построения логики.

Пример экспертной системы в торговле

РЕМОРАМА
ЭС создана ООО «Медиасофт» и
реализована как коммерческий продукт
(уже не поддерживается). РЕМОРАМА
подбирает стройматериалы под заданные
пользователем параметры и производит
расчёт их стоимости. Предполагается
использование обычными людьми, не
прошедшими специального обучения. ЭС
устанавливается на сенсорные киоски в
торговых залах строительных гипермаркетов.
Итогом решения ЭС становится чек с
перечнем, количеством и стоимостью
материалов, которые удовлетворяют
условиям задачи. С помощью этого чека
покупатель осуществляет набор материалов
и оплачивает их на кассе (одно сканирование
для покупки комплекта материалов).
Программа предлагает как основные, так
и сопутствующие товары для решения
задачи.

Оболочка
имеет дружественный интерфейс, позволяет
сравнивать цены различных комбинаций
и выбирать производителя и марку для
любого компонента. Для каждого вопроса
существуют подсказки. Некоторые вопросы
снабжены поясняющими иллюстрациями.
Ответ осуществляется выбором варианта
из предложенных, либо введением числового
параметра. Подсчитанную смету как
итоговый результат можно распечатать
на принтере.

Пример
экспертной системы в БД

OpenCyc
(open source version of the Cyc technology) OpenCyc является
сокращенным открытый вариантом базы
знаний Cyc. Может использоваться для
создания экспертных систем. В БД OpenCyc
содержится 47000 понятий и 300000 фактов.

Система
несомненно будет уместна, вместе с
появлением в сети Интернет семантического
уровня (обработки запросов, системы
взаимосвязи контента и т.д.)

В
2008 интерес к данной экспертной системе
был проявлен фирмой Google. Применение
OpenCyc многообразно: создание обучающих
игр, создание БЗ в wikipedia, подключение в
качестве модуля к другим экспертным
системам и т.д.

Пример
экспертных систем в военном деле

HASP/SIAP
SIAP
обнаруживает и идентифицирует различные
типы океанских судов, используя
преобразованные в цифровую форму данные
от сетей гидрофонов. Данные имеют вид
сонограмм, являющихся аналоговыми
записями спектров принятой датчиками
звуковой энергии. Для их интерпретации
система применяет знания о характерных
особенностях сонограмм различных типов
кораблей. SIAP пытается идентифицировать
суда и сгруппировать их в более крупные
единицы, например флоты. Система
обеспечивает анализ в режиме реального
времени и корректировку ситуации с
учетом непрерывно поступающих данных.
Знания представлены в виде правил в
рамках архитектуры доски объявлений с
применением иерархически организованной
схемы управления.

Примеры экспертной системы в компьютерных системах

ExpSystem
PC 1.4.2
— Эта экспертная система поможет людям
не столь хорошо разбирающихся в
комплектующих для персонального
компьютера подобрать себе приемлемую
конфигурацию будущего компьютера. В
программу вводятся данные о требовании
к системе и максимальной сумме денег,
предполагаемой для покупки. Так же
данная экспертная система пригодится
для менеджеров компьютерных салонов
что бы автоматизировать свою работу и
сделать автоматизированное рабочее
место для своих покупателей. Для подбора
комплектующих используется два алгоритма
расчета: для «богатого» и «бедного»
покупателя.мДанная ЭС была разработана
в декабре 2006 года

ACE
— Экспертная система ACE определяет
неисправности в телефонной сети и дает
рекомендации по необходимому ремонту
и восстановительным мероприятиям.
Система работает без человеческого
вмешательства, анализируя сводки-отчеты
о состоянии, получаемые ежедневно с
помощью 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 и стратегии анализа
сетей. Представление знаний в системе
основано на правилах; используется
схема управления посредством прямой
цепочки рассуждений. Она разработана
в Bell Laboratories. ACE прошла опытную эксплуатацию
и доведена до уровня коммерческой
экспертной системы.

Пример реализации экспертной системы. — Студопедия

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.

назначение, область применения — Мегаобучалка

Экспертные системы (ЭС)- это яркое и быстро прогрессирующее направление в области искусственного интеллекта (ИИ). Причиной повышенного интереса, который ЭС вызывают к себе на протяжении всего своего существования, является возможность их применения к решению задач из самых различных областей человеческой деятельности. Пожалуй, не найдется такой проблемной области, в которой не было бы создано ни одной ЭС или по крайней мере, такие попытки не предпринимались бы.

ЭС — это набор программ или программное обеспечение, которое выполняет функции эксперта при решении какой-либо задачи в области его компетенции. ЭС, как и эксперт-человек, в процессе своей работы оперирует со знаниями. Знания о предметной области, необходимые для работы ЭС, определенным образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться и дополняться в процессе развития системы.

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. Такие системы часто оказываются способными найти решение задач, которые неструктурированны и плохо определены. Они справляются с отсутствием структурированности путем привлечения эвристик, т. е. правил, взятых “с потолка”, что может быть полезным в тех системах, когда недостаток необходимых знаний или времени исключает возможность проведения полного анализа.

Главное достоинство ЭС — возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов. Накопление знаний позволяет повышать квалификацию специалистов, работающих на предприятии, используя наилучшие, проверенные решения.
Практическое применение искусственного интеллекта на машиностроительных предприятиях и в экономике основано на ЭС, позволяющих повысить качество и сохранить время принятия решений, а также способствующих росту эффективности работы и повышению квалификации специалистов.
Основными отличиями ЭС от других программных продуктов являются использование не только данных, но и знаний, а также специального механизма вывода решений и новых знаний на основе имеющихся. Знания в ЭС представляются в такой форме, которая может быть легко обработана на ЭВМ. В ЭС известен алгоритм обработки знаний, а не алгоритм решения задачи. Поэтому применение алгоритма обработки знаний может привести к получению такого результата при решении конкретной задачи, который не был предусмотрен.

Качество ЭС определяется размером и качеством базы знаний (правил или эвристик). Система функционирует в следующем циклическом режиме: выбор (запрос) данных или результатов анализов, наблюдения, интерпретация результатов, усвоение новой информации, выдвижении с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов (рис.2). Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.

В любой момент времени в системе существуют три типа знаний:

— Структурированные знания — статические знания о предметной области. После того как эти знания выявлены, они уже не изменяются.

— Структурированные динамические знания — изменяемые знания о предметной области. Они обновляются по мере выявления новой информации.

— Рабочие знания- знания, применяемые для решения конкретной задачи или проведения консультации.
Все перечисленные выше знания хранятся в базе знаний. Для ее построения требуется провести опрос специалистов, являющихся экспертами в конкретной предметной области, а затем систематизировать, организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний.

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение.

а) Медицинская диагностика.

Диагностические системы используются для установления связи между нарушениями деятельности организма и их возможными причинами. Наиболее известна диагностическая система MYCIN, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях.

б) Прогнозирование.
Прогнозирующие системы предсказывают возможные результаты или события на основе данных о текущем состоянии объекта. Программная система “Завоевание Уолл-стрита” может проанализировать конъюнктуру рынка и с помощью статистических методов алгоритмов разработать для вас план капиталовложений на перспективу.

в) Планирование.
Планирующие системы предназначены для достижения конкретных целей при решении задач с большим числом переменных.

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

д) Контроль и управление.

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

е) Диагностика неисправностей в механических и электрических устройствах.

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

ж) Обучение.
Системы, основанные на знаниях, могут входить составной частью в компьютерные системы обучения. Система получает информацию о деятельности некоторого объекта (например, студента) и анализирует его поведение. База знаний изменяется в соответствии с поведением объекта.
Большинство ЭС включают знания, по содержанию которых их можно отнести одновременно к нескольким типам. Например, обучающая система может также обладать знаниями, позволяющими выполнять диагностику и планирование. Она определяет способности обучаемого по основным направлениям курса, а затем с учетом полученных данных составляет учебный план. Управляющая система может применяться для целей контроля, диагностики, прогнозирования и планирования.
Даже лучшие из существующих ЭС, которые эффективно функционируют как на больших, так и на мини-ЭВМ, имеют определенные ограничения по сравнению с человеком-экспертом.
1. Большинство ЭС не вполне пригодны для применения конечным пользователем. Если вы не имеете некоторого опыта работы с такими системами, то у вас могут возникнуть серьезные трудности. Многие системы оказываются доступными только тем экспертам, которые создавали из базы знаний.

2. Вопросно-ответный режим, обычно принятый в таких системах, замедляет получение решений. Например, без системы MYCIN врач может (а часто и должен) принять решение значительно быстрее, чем с ее помощью.

3. Навыки системы не возрастают после сеанса экспертизы.

4. Все еще остается проблемой приведение знаний, полученных от эксперта, к виду, обеспечивающему их эффективную машинную реализацию.

5. ЭС не способны обучаться, не обладают здравым смыслом. Домашние кошки способны обучаться даже без специальной дрессировки, ребенок в состоянии легко уяснить, что он станет мокрым, если опрокинет на себя стакан с водой, однако если начать выливать кофе на клавиатуру компьютера, у него не хватит “ума” отодвинуть ее.

6. ЭС неприменимы в больших предметных областях. Их использование ограничивается предметными областями, в которых эксперт может принять решение за время от нескольких минут до нескольких часов.

7. В тех областях, где отсутствуют эксперты (например, в астрологии), применение ЭС оказывается невозможным.

8. Имеет смысл привлекать ЭС только для решения когнитивных задач. Теннис, езда на велосипеде не могут являться предметной областью для ЭС, однако такие системы можно использовать при формировании футбольных команд.

9. Человек-эксперт при решении задач обычно обращается к своей интуиции или здравому смыслу, если отсутствуют формальные методы решения или аналоги таких задач.
Системы, основанные на знаниях, оказываются неэффективными при необходимости проведения скрупулезного анализа, когда число “решений” зависит от тысяч различных возможностей и многих переменных, которые изменяются во времени. В таких случаях лучше использовать базы данных с интерфейсом на естественном языке.

2.5. Особенности экспертных систем

Особенности
экспертных систем, отличающие их от
обычных программ, заключаются в том,
что они должны обладать следующими
качествами.

1.
Компетентностью,
а именно:

• достигать
  экспертного уровня решений, т.е. в
  конкретной предметной области иметь
  тот же уровень профессионализма, что
  и эксперты-люди;

• быть умелой, т.е.
  применять знания эффективно и быстро,
  избегая, как и люди, ненужных вычислений;

• иметь адекватную
  робастность, т.е. способность лишь
  постепенно снижать качество работы по
  мере приближения к границам диапазона
  компетентности или допустимой надёжности
  данных.

2.
Возможностью к символьным рассуждениям,
а именно:

• представлять
  знания в символьном виде;

• переформулировать
  символьные знания. На языке искусственного
  интеллекта символ – это строка знаков,
  соответствующая содержанию некоторого
  понятия. Символы объединяют, чтобы
  выразить отношения между ними. Когда
  отношения представлены в экспертной
  системе они называются символьными
  структурами.

3.
Глубиной,
а именно:

• работать в
  предметной области, содержащей трудные
  задачи;

• использовать
  сложные правила, т.е. использовать либо
  сложные конструкции правил, либо большое
  их количество.

4.
Самосознанием,
а именно:

• исследовать свои
  рассуждения, т.е. проверять их правильность;

• объяснять свои
  действия.

Существует ещё
одна важная особенность экспертных
систем. Если обычные программы
разрабатываются так, чтобы каждый раз
порождать правильный результат, то
экспертные системы разработаны с тем,
чтобы вести себя как эксперты. Они, как
правило, дают правильные ответы, но
иногда, как и люди, способны ошибаться.

2.6 Области применения экспертных систем

Области
применения систем, основанных на знаниях,
могут быть сгруппированы в несколько
основных классов: медицинская диагностика,
контроль и управление, диагностика
неисправностей в механических и
электрических устройствах, обучение.

 а) Медицинская
диагностика.    

Диагностические
системы используются для установления
связи между нарушениями деятельности
организма и их возможными причинами.
Наиболее известна диагностическая
система MYCIN, которая предназначена для
диагностики и наблюдения за состоянием
больного при менингите и бактериальных
инфекциях. Ее первая версия была
разработана в Стенфордском университете
в середине 70-х годов. В настоящее время
эта система ставит диагноз на уровне
врача-специалиста. Она имеет расширенную
базу знаний, благодаря чему может
применяться и в других областях
медицины. 

  б) Прогнозирование.     
    

Прогнозирующие
системы предсказывают возможные
результаты или события на основе данных
о текущем состоянии объекта. Программная
система “Завоевание Уолл-стрита” может
проанализировать конъюнктуру рынка и
с помощью статистических методов
алгоритмов разработать для вас план
капиталовложений на перспективу. Она
не относится к числу систем, основанных
на знаниях, поскольку использует
процедуры и алгоритмы традиционного
программирования. Хотя пока еще
отсутствуют ЭС, которые способны за
счет своей информации о конъюнктуре
рынка помочь вам увеличить капитал,
прогнозирующие системы уже сегодня
могут предсказывать погоду, урожайность
и поток пассажиров. Даже на персональном
компьютере, установив простую систему,
основанную на знаниях, вы можете получить
местный прогноз погоды.

  в) Планирование.

  Планирующие
системы предназначены для достижения
конкретных целей при решении задач с
большим числом переменных. Дамасская
фирма Informat впервые в торговой практике
предоставляет в распоряжении покупателей
13 рабочих станций, установленных в холле
своего офиса, на которых проводятся
бесплатные 15-минутные консультации с
целью помочь покупателям выбрать
компьютер, в наибольшей степени отвечающий
их потребностям и бюджету. Кроме того,
компания  Boeing
применяет ЭС для проектирования
космических станций, а также для выявления
причин отказов самолетных двигателей
и ремонта вертолетов. Экспертная
система XCON, созданная фирмой DEC, служит
для определения или изменения конфигурации
компьютерных систем типа VAX и в соответствии
с требованиями покупателя. Фирма DEC
разрабатывает более мощную систему
XSEL, включающую базу знаний системы XCON,
с целью оказания помощи покупателям
при выборе вычислительных систем с
нужной конфигурацией. В отличие от XCON
система XSEL является
интерактивной.

  г) Интерпретация.

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

  д) Контроль
и управление.

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

  е) Диагностика
неисправностей в механических и
электрических устройствах.

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

  ж) Обучение.    

Системы, основанные
на знаниях, могут
входить составной частью в компьютерные
системы обучения. Система
получает информацию о деятельности
некоторого объекта (например, студента)
и анализирует его поведение. База
знаний изменяется в соответствии с
поведением объекта. Примером
этого обучения может служить компьютерная
игра, сложность
которой увеличивается по мере возрастания
степени квалификации играющего. Одной
из наиболее интересных обучающих ЭС
является разработанная Д.Ленатом
система EURISCO, которая
использует простые эвристики. Эта
система была опробована в
игре Т.Тревевеллера, имитирующая
боевые действия. Суть
игры состоит в том, чтобы
определить состав флотилии, способной
нанести поражение в условиях неизменяемого
множества правил. Система EURISCO включила
в состав флотилии небольшие,  способные
провести быструю атаку корабли  и
одно очень маленькое скоростное судно
и постоянно выигрывала в течение трех
лет, несмотря
на то, что
в стремлении воспрепятствовать этому
правила игры меняли каждый год.     

Большинство  ЭС
включают знания, по содержанию которых
их можно отнести одновременно к нескольким
типам. Например, обучающая система может
также обладать знаниями, позволяющими
выполнять диагностику и планирование.
Она определяет способности обучаемого
по основным направлениям курса, а затем
с учетом полученных данных составляет
учебный план. Управляющая система может
применяться для целей контроля,
диагностики, прогнозирования и
планирования. Система, обеспечивающая
сохранность жилища, может следить за
окружающей обстановкой, распознавать
происходящие события (например, открылось
окно), выдавать прогноз (вор-взломщик
намеревается проникнуть в дом) и
составлять план действий (вызвать
полицию). 

З) Экспертные
системы в Логистике

Под
экспертными системами в логистике
понимают специальные компьютерные
программы, помогающие специалистам
принимать решения, связанные с управлением
материальными потоками. Экспертная
система может аккумулировать знания и
опыт нескольких специалистов-экспертов,
работающих в разных областях. Труд
высококвалифицированных экспертов
стоит дорого, однако, как правило,
требуется не повседневно. Возможность
получить совет экспертов по разным
вопросам посредством обращения к
компьютеру позволяет квалифицированно
решать сложные задачи, повышает
производительность труда персонала и
в то же время не требует затрат на
содержание штата высокооплачиваемых
специалистов.

Применение
экспертных систем позволяет:

— принимать
быстрые и качественные решения в области
управления материальными потоками;

— готовить
опытных специалистов за относительно
более короткий промежуток времени;

Обращение
с экспертными программами за короткий
промежуток времени формирует опытного
специалиста. В то же время, задача
повышения обучающих возможностей
экспертных систем является сегодня
актуальной, так как большинство программ
не объясняют пользователю причины
рекомендуемых решений.

— сохранять
«ноу — хау» компании, так как персонал,
пользующийся системой, не может вынести
за пределы компании опыт и знания,
содержащиеся в экспертной системе;

—
использовать опыт
и знания высококвалифицированных
специалистов на непрестижных, опасных,
скучных и тому подобных рабочих местах.

К
недостаткам экспертных систем следует
отнести ограниченную возможность
использования «здравого смысла».
Логистические процессы включают
множество операций с разнообразными
грузами. Учесть все особенности в
экспертной программе невозможно.
Поэтому, чтобы не поставить коробку
весом в сто килограммов на коробку весом
в пять килограммов здравым смыслом,
дополняющим знания экспертной системы,
должен обладать пользователь.

Экспертные
системы применяются на различных стадиях
логистического процесса, облегчая
решение проблем, требующих значительного
опыта и затрат времени. Например, на
складе, при принятии решения о пополнении
запасов, когда менеджеру необходимо
оценить большой объем разнообразной
информации: ожидаемые цены в разрезе
закупаемых товаров, тарифы на доставку,
необходимость одновременного пополнения
запасов по разным позициям ассортимента
ит.д. 

Использование
здесь экспертных систем позволяет
принимать не только правильные, но и
быстрые решения, что зачастую не менее
важно.

В
качестве примера использования экспертных
систем в складском хозяйстве приведем
систему Inventory Management Assistant, IMA («помощник
в складском менеджменте»), разработанную
для логистического отдела Военно-воздушных
сил США. Отдел обслуживает свыше 19000
самолетов по всему миру. 

Складская
система отдела содержит 916000 наименований
запасных частей для самолетов. Цель
создания IMA — помощь персоналу складов
при решении задач, связанных с управлением
запасами. Использование названной
экспертной системы позволило на 8-10%
повысить эффективность решения обычных
проблем. Эффективность решения вопросов
в сложных ситуациях возросла на 15 —
18%. 
Наиболее  известные
ЭС, разработанные
в 60-70-х годах, стали
в своих областях уже классическими. По
происхождению, предметным
областям и по преемственности применяемых
идей, методов
и инструментальных программных средств
их можно разделить на несколько
семейств.

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

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

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

4. CASNET

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

3. HEARSAY
   —
   HEARSAY
   -2-
   HEARSAY
   -3-
   AGE.

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

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

примеров экспертных систем

Экспертная система — это компьютерное приложение, которое решает сложные задачи, которые в противном случае потребовали бы обширных человеческих знаний. Для этого он имитирует процесс мышления человека, применяя определенные знания и интерфейсы. Экспертные системы также используют человеческие знания для решения проблем, которые обычно требуют человеческого интеллекта. Эти экспертные системы представляют экспертные знания в виде данных или правил в компьютере. Эти правила и данные могут использоваться при необходимости для решения проблем.Книги и справочники содержат огромный объем знаний, но человек должен прочитать и интерпретировать знания, чтобы их можно было использовать.

Система, использующая человеческие знания, записанные в компьютере, для решения проблем, которые обычно требуют человеческого опыта (Turban & Aronson, 2001).

Компьютерная программа, разработанная для моделирования способности человека-эксперта решать проблемы (Дуркин, 1994).

Интеллектуальная компьютерная программа, которая использует знания и процедуры вывода для решения проблем, которые были достаточно сложными, чтобы получить значительный человеческий опыт для их решения (Фейгенбаум).

Экспертные системы обычно состоят из нескольких компонентов. База знаний — это компонент, содержащий знания, полученные от эксперта в предметной области. Обычно для представления знаний используются правила. Механизм вывода — это компонент, который манипулирует знаниями, найденными в базе знаний, по мере необходимости, чтобы прийти к результату или решению. Пользовательский интерфейс — это компонент, который позволяет пользователю запрашивать систему и получать результаты этих запросов. Многие ES также имеют средство объяснения, которое объясняет, почему был задан вопрос или как был получен результат или решение.

Существует несколько основных областей применения экспертных систем, таких как сельское хозяйство, образование, окружающая среда, производство законов, системы питания медицины и т. Д. В этой статье мы рассмотрим экспертные системы по сельскому хозяйству, образованию, окружающей среде и медицине. Эти четыре приложения широко используются практиками из-за зрелости области, демонстрируя признание технологии коммерческими секторами.
Экспертная система в сельском хозяйстве

Она ничем не отличается от других экспертных систем, Экспертная система для сельского хозяйства такая же, как и другие системы, основанные на знаниях, в ней используется правило, основанное на том, что опыт и знания человека-эксперта фиксируются в форме IF -ЗАТЕМ правила и факты, которые используются для решения проблем путем ответов на вопросы, набранные с клавиатуры, подключенной к компьютеру, по таким разнообразным темам, например, в борьбе с вредителями, необходимость распыления, выбор химического вещества для распыления, смешивание и применение, оптимальные методы управления оборудованием, восстановление после погодных повреждений, таких как заморозки, морозы, засухи и т. д.»
Разработка экспертных систем для сельского хозяйства

Первые стадии разработки экспертных систем в 1960-х и 1970-х годах обычно были написаны на мэйнфрейме на языке программирования, основанном на обработке списков (LISP). Развитие из университетских исследовательских лабораторий они были ограничены приложениями, разработанными этими исследовательскими сайтами. Большинство этих экспертных систем не были предназначены для коммерческого использования.

Они включали в себя специфические знания экспертов.О проблемной области, называемой «знание предметной области». Эвристика решения проблем (или «эмпирических правил») и возможности вывода, а также механизм взаимодействия между пользователем и системой. Некоторые примеры этих систем включают MACSYMA, разработанный в Массачусетском технологическом институте (MIT) для помощи людям в решение сложных математических задач: MYCIN Стэндфордского университета, которая диагностирует бактериальные инфекции и менингит, является первой диагностической экспертной системой, когда-либо разработанной, и INTERNIST / CADUCEUS Питтсбургского университета, которая помогает в диагностике внутренних болезней и принятии решений.Эти ученые создали универсальный инструмент для разработки экспертных систем, который теперь называется «оболочкой».
Экспертные системы используются для помощи

Развитие экспертных систем по сельскому хозяйству призвано помочь фермерам принимать решения из одной точки, которые необходимо тщательно спланировать, прежде чем начинать что-либо делать на своей земле. Во-вторых, разработать ирригационную систему для их использования на плантациях. В-третьих, выбрать наиболее подходящий сорт сельскохозяйственных культур или рынок сбыта. В-четвертых, это диагностика или идентификация заболевания домашнего скота.Пятое — это интерпретация набора финансовых счетов. Шестое — предсказывать экстремальные явления, такие как грозы и мороз. И, наконец, предложить последовательность тактических решений на протяжении производственного цикла, таких как решения по защите растений и питанию, кормление скота и тому подобное.
Может использоваться экспертная система для решения конкретной проблемы

Экспертная система может использоваться как отдельная консультативная система для конкретной области знаний, возможно, с контролем со стороны эксперта-человека.Он также может оказать поддержку в принятии решений высокоуровневым экспертом-человеком. Экспертная система по сельскому хозяйству также позволяет заменить эксперта высокого уровня подчиненным экспертом, которому помогает экспертная система. Основными целями экспертной системы являются как система доставки дополнительной информации, обеспечение управленческого образования для лиц, принимающих решения (фермеров), а также распространение современной научной информации в легкодоступной и понятной форме для сельскохозяйственных исследователей, консультантов и фермеров.С помощью экспертной системы фермеры могут производить для горожан более качественный продукт.
Преимущества экспертной системы

Экспертная система имеет несколько преимуществ в области сельского хозяйства. Во-первых, он способен имитировать человеческие мысли и рассуждения. Во-вторых, экспертная система делает модификацию знаний очень удобной. В-третьих, он имеет возможность интерпретации, а прозрачность делает взаимодействие более удобным для пользователя. В-четвертых, с помощью техники машинного обучения знания могут быть получены автоматически и непосредственно из экспериментальных данных и примеров в реальном времени и помогают предоставлять правильную информацию, которая является своевременной и действенной.В-шестых, он может предоставлять рекомендации экспертного уровня, понятные пользователям (фермерам). И, наконец, он может обрабатывать недостоверную информацию.
Некоторые экспертные системы в области сельского хозяйства
Rice-Crop Doctor

Национальный институт управления распространением сельскохозяйственных знаний (MANAGE) разработал экспертную систему для диагностики вредителей и болезней рисовых культур и предложения профилактических / лечебных мер. Доктор посевов риса широко демонстрирует использование экспертных систем в области сельского хозяйства и, в частности, в области производства риса, путем разработки прототипа, принимая во внимание несколько основных вредителей и болезней, а также некоторые проблемы дефицита, ограничивающие урожайность риса.

Следующие болезни и вредители были включены в систему для идентификации и предложения профилактических и лечебных мер. К этим заболеваниям относятся рисовая гниль, коричневые пятна, бактериальный ожог оболочки, вирус рисового тунгро-грибка, грибки ложной головни, бактериальный ожог листьев, гниль оболочки и болезнь дефицита цинка. В число вредителей входят стеблевые мотыльки, рисовая галлица, коричневая личинка растений, папоротник рисовых листьев, зеленолистная воронка и жук Гунди.
Индийский институт садоводческих исследований, Бангалор

Первое программное обеспечение для виноградарских культиваторов было подготовлено Индийским институтом садоводческих исследований, Бангалор.Этот спонтанный ответ побудил их разработать аналогичное программное обеспечение для руководства грибоводами, которое стало чрезвычайно популярным, и большое количество производителей регулярно используют его для поиска решений своих проблем. Институт начал работу по предоставлению комплексного пакета практик по выращиванию около 148 садовых культур в 4 южных штатах Керала, Тамилнаду, Карнатака и Андхра-Прадеш.
AGREX

Центр исследований и развития информатики, Керала, подготовил экспертную систему AGREX, чтобы помочь сельскохозяйственному персоналу давать своевременные и правильные советы фермерам.Эти экспертные системы находят широкое применение в областях внесения удобрений, защиты растений, составления графиков орошения и диагностики заболеваний в рисовых и послеуборочных технологиях фруктов и овощей.
Система консультаций для фермерских хозяйств

Пенджабский сельскохозяйственный университет, Лудхиана, разработал Систему консультаций для фермерских хозяйств для поддержки управления агробизнесом. Разговор между системой и пользователем организован таким образом, что система задает все вопросы от пользователя один за другим, которые необходимы для предоставления рекомендаций по теме управления фермой.
Компьютерное сельское хозяйство через распределенную экспертную систему, основанную на знаниях

Существует три уровня, на которых происходит основной процесс сельского хозяйства. 1. Фермеры низкого уровня. 2. Офицеры сельского хозяйства среднего звена. 3. Научно-исследовательские институты высшего уровня. Каждый уровень требует данных в зависимости от его требований с взаимосвязями между ними. Интерфейс для фермеров разработан таким образом, что связь между экспертной системой и фермером будет осуществляться на его родном языке.База знаний действует как мост между фермерами и исследовательскими учреждениями. Производственные системы на уровне базы знаний фермеров, которые не могут найти ответ, формируются как безответные динамические разработчики и пробуются для решения специалистами по сельскому хозяйству. Эти кадры передаются в исследовательские институты с таким же дополнительным обзором точек зрения аграрных служащих. Таким образом, исследовательские институты могут узнать о новых неоткрытых проблемах, существующих на уровне фермеров.
Экспертные системы для управления хлопковыми культурами

Эта экспертная система была разработана Министерством сельского хозяйства США для предоставления хлопкоробам соответствующих рекомендаций по управлению.
CALEX

Это интегрированная система экспертной поддержки принятия решений на основе доски для управления сельским хозяйством, разработанная в Калифорнийском университете. CALEX может использоваться производителями, консультантами по борьбе с вредителями, консультантами и другими менеджерами.
VARIEX

Эта экспертная система, разработанная в Техническом университете Брно, Чехословакия, позволяет выбрать лучшие культиваторы для различных сельскохозяйственных ситуаций.
Экспертная система Weiping Jin

Существуют процессы внесения удобрений, орошения, опрыскивания инсектицидами и принятие других мер по управлению урожаем, которые основываются на анализе состояния урожая.CMES обеспечивает поддержку системы контроля роста сельскохозяйственных культур (CGCS), т. Е. Консультирует производителей об оптимальной численности и структуре урожая на стадии посадки, а также о том, когда и какие меры следует принять на своей культуре, чтобы поддерживать ее в оптимальном состоянии, чтобы избежать заражения на различных стадиях роста. и развитие урожая, и, наконец, для получения максимальной урожайности на этапе уборки урожая
Экспертные системы LEY

Описывается управляемая компьютером, автоматизированная, удаленная система сбора погодных данных в режиме реального времени и передачи отчетов о погоде в штате Вашингтон, основанная на радиочастотной телеметрии.Эта система стала возможной благодаря сотрудничеству между Университетом штата Вашингтон, Национальной метеорологической службой и Бюро мелиорации США, а также несколькими организациями частных производителей. Данные собираются, обрабатываются и передаются в NWS ежечасно. Эти ежечасные обновления фактических условий транслируются в погодном диапазоне NOAA в сезон весенних заморозков, чтобы помочь садоводам защитить себя от замерзания. Данные о погоде в режиме реального времени также используются в таких приложениях, как планирование орошения, защита растений и борьба с вредителями.

Программа разделена на четыре основных модуля: стратегии защиты от замерзания, оперативное управление, прогнозирование и контрольно-измерительные приборы. Она разрабатывается как дополнение к другим экспертным системам управления товарами, которые имеются в продаже или находятся в стадии разработки.

Используя уникальное оборудование спутниковой линии связи, созданное в Обернском университете им. Р. Р. Гетца, метеорологические данные в реальном времени обрабатываются в сети современных компьютерных рабочих станций. Эти данные используются для серии компьютерных моделей, которые генерируют прогнозы температуры, точки росы, температуры по влажному термометру и других параметров, используемых для предупреждения производителей фруктов, овощей и питомников в Алабаме о замораживаниях.
Экспертные системы ГИС от Naiqian Zhang

Программное обеспечение экспертной системы WHEATWIZ было разработано в 1987 году в качестве эффективного инструмента для помощи фермерам Канзаса, специалистам по распространению знаний и персоналу агробизнеса в выборе сорта твердой красной озимой пшеницы (Shroyer et al., 1987 ). Программа предлагала три режима работы.

Концепция «рецептурного земледелия» или точного внесения агрономических ресурсов может значительно повысить внимание, которое фермер уделяет пространственному распределению питательных веществ в почве и методам внесения удобрений.Используя географическую информационную систему (ГИС) и хлопковую модель GOSSYN, вместе в качестве пространственного моделирования культур, исследуется методология исследования последствий включения рецептурных сельскохозяйственных программ для производства хлопка. Данные, содержащиеся в ГИС, результат интенсивного отбора проб с хлопкового поля на предмет содержания нитратов, используются в качестве основных входных данных для модели. Информация о гидрологическом профиле также отображается с помощью ГИС и используется в качестве входных данных для модели. Модель запускается для каждой уникальной комбинации входных данных.Отклик урожая отображается обратно в ГИС для пространственного анализа. Обсуждается информация, относящаяся к программам рецептурного земледелия, которую можно извлечь из пространственного моделирования. Прецизионное внесение агрономических ресурсов может потребовать увеличения количества проб почвы и усложнения технологии на тракторах и устройствах для внесения удобрений. Однако это может также повысить урожайность сельскохозяйственных культур, а также обеспечить определенную степень защиты окружающей среды от чрезмерного использования химикатов.
Экспертная система CLIPS

Прототип люцерны (Medicago sativa L.) управление Экспертная система CLIPS (C Language Integrated Production System) разработана учеными-агрономами Университета Пердью. Эта форма искусственного интеллекта предоставляет дополнительный инструмент, который позволит фермерам очень экономно использовать компьютерную программу для получения выводов относительно прибыльного производства люцерны, для чего обычно требуется консультация со специалистом по кормовым культурам. На сегодняшний день соображения управления и последовательность, в которой они были включены в базу знаний, включают: дренаж почвы, pH почвы, тест P почвы, тест K почвы и использование люцерны, химическая борьба с сорняками и ожидаемая долговечность древостоя, рекомендации по сорту, способу и норме высева и чистым живым семенам.База знаний этой экспертной системы CLIPS может быть легко обновлена ​​по мере появления новой информации или может быть изменена для использования в других штатах или сельскохозяйственных регионах.
DSS4Ag

Система поддержки принятия решений в сельском хозяйстве (DSS4Ag) — это экспертная система, разрабатываемая в рамках исследовательского проекта точного земледелия для конкретных участков в сельском хозяйстве (SST4Ag) INEEL. DSS4Ag использует самые современные технологии искусственного интеллекта и информатики для принятия пространственно изменяемых, специфичных для конкретного участка, экономически оптимальных решений по использованию удобрений.

DSS4Ag имеет открытую архитектуру, которая допускает внешний ввод и добавление новых требований, а также интегрирует свои результаты с существующими инфраструктурами сельскохозяйственных систем. DSS4Ag отражает смену парадигмы информационной революции в сельском хозяйстве, а именно точное земледелие. Четыре тестовых участка показали, что испытанные методики управления удобрениями, применяя очень разные нормы внесения удобрений, давали урожай одинаковой урожайности и качества. Графики также продемонстрировали способность DSS4Ag характеризовать и определять зоны управления с общим и различным производственным потенциалом.

Экспертная система должна быть разработана на местных языках, что поможет фермерам развивать свой собственный опыт, что, в свою очередь, повысит производство и продуктивность сельского хозяйства. Экспертные системы должны быть доступны в деревенских будках, которые действуют как информационный ресурсный центр для фермеров в деревнях.

.

Экспертных систем с приложениями — Журнал

Экспертные системы с приложениями имеет зеркальный журнал открытого доступа ( Экспертные системы с приложениями: X ), разделяющий те же цели и объем, редакционную группу, систему подачи заявок и тщательную экспертную оценку.

Экспертные системы с приложениями — это реферируемый международный журнал, посвященный обмену информацией, касающейся expert и интеллектуальных систем , применяемых в промышленности , правительстве и университетах по всему миру.Задача журнала — публиковать статьи, касающиеся проектирования, разработки, тестирования, внедрения и / или управления экспертными и интеллектуальными системами, а также предоставлять практические рекомендации по разработке и управлению этими системами. В журнале будут публиковаться статьи по экспертным и интеллектуальным системам , технологиям и приложениям в областях, помимо прочего: финансов, бухгалтерского учета, инжиниринга, маркетинга, аудита, права, закупок и заключения контрактов, управления проектами, оценки рисков, управления информацией, поиск информации, антикризисное управление, торговля акциями, стратегическое управление, управление сетью, телекоммуникации, космическое образование, интеллектуальные интерфейсы, интеллектуальные системы управления базами данных, медицина, химия, управление человеческими ресурсами, человеческий капитал, бизнес, управление производством, археология, экономика, энергетика , и защита.В журнале также будут публиковаться статьи по мультиагентным системам, управлению знаниями, нейронным сетям, обнаружению знаний, интеллектуальному анализу данных и текста, мультимедийному интеллекту и генетическим алгоритмам.

Инициатива по значку воспроизводимости и публикация программного обеспечения

Инициатива по значку воспроизводимости (RBI) — это сотрудничество с Code Ocean (CO), облачной платформой воспроизводимости вычислений, которая помогает сообществу, обеспечивая совместное использование кода и данных в качестве ресурса для других лиц. -коммерческое использование.CO проверяет представленный код (и данные) и удостоверяет их воспроизводимость. Представленный код будет проверен командой Code Ocean на воспроизводимость вычислений, убедившись, что он работает, дает результаты и является автономным. Для получения дополнительной информации посетите эту справочную статью . Обратите внимание, что принятый документ будет опубликован независимо от результата заявки СО. Тем не менее, если статья получит значок воспроизводимости, она получит дополнительное распространение благодаря приложению значка R и размещению ссылки на веб-сайте CO с указанием DOI.

Мы приглашаем вас преобразовать ваше программное обеспечение с открытым исходным кодом в дополнительную публикацию журнала в Software Impacts , междисциплинарном журнале с открытым доступом. Software Impacts представляет собой научный справочник по программному обеспечению, которое использовалось для решения исследовательских задач. Журнал распространяет эффективное и повторно используемое научное программное обеспечение через публикации оригинального программного обеспечения, в которых описывается применение программного обеспечения в исследованиях и публикуемые результаты.

Для получения дополнительной информации свяжитесь с нами по адресу: [email protected]

Преимущества для авторов
Мы также предоставляем множество преимуществ для авторов, например бесплатные PDF-файлы, либеральную политику авторских прав, специальные скидки на публикации Elsevier и многое другое. Щелкните здесь, чтобы получить дополнительную информацию о наших услугах для авторов.

Информацию о подаче статей см. В нашем Руководстве для авторов. Если вам потребуется дополнительная информация или помощь, посетите наш Центр поддержки

Hide full Aims & Scope
.

Экспертных систем с приложениями — Журнал

Экспертные системы с приложениями имеет зеркальный журнал открытого доступа ( Экспертные системы с приложениями: X ), разделяющий те же цели и объем, редакционную группу, систему подачи заявок и тщательную экспертную оценку.

Экспертные системы с приложениями — это реферируемый международный журнал, посвященный обмену информацией, касающейся expert и интеллектуальных систем , применяемых в промышленности , правительстве и университетах по всему миру.Задача журнала — публиковать статьи, касающиеся проектирования, разработки, тестирования, внедрения и / или управления экспертными и интеллектуальными системами, а также предоставлять практические рекомендации по разработке и управлению этими системами. В журнале будут публиковаться статьи по экспертным и интеллектуальным системам , технологиям и приложениям в областях, помимо прочего: финансов, бухгалтерского учета, инжиниринга, маркетинга, аудита, права, закупок и заключения контрактов, управления проектами, оценки рисков, управления информацией, поиск информации, антикризисное управление, торговля акциями, стратегическое управление, управление сетью, телекоммуникации, космическое образование, интеллектуальные интерфейсы, интеллектуальные системы управления базами данных, медицина, химия, управление человеческими ресурсами, человеческий капитал, бизнес, управление производством, археология, экономика, энергетика , и защита.В журнале также будут публиковаться статьи по мультиагентным системам, управлению знаниями, нейронным сетям, обнаружению знаний, интеллектуальному анализу данных и текста, мультимедийному интеллекту и генетическим алгоритмам.

Инициатива по значку воспроизводимости и публикация программного обеспечения

Инициатива по значку воспроизводимости (RBI) — это сотрудничество с Code Ocean (CO), облачной платформой воспроизводимости вычислений, которая помогает сообществу, обеспечивая совместное использование кода и данных в качестве ресурса для других лиц. -коммерческое использование.CO проверяет представленный код (и данные) и удостоверяет их воспроизводимость. Представленный код будет проверен командой Code Ocean на воспроизводимость вычислений, убедившись, что он работает, дает результаты и является автономным. Для получения дополнительной информации посетите эту справочную статью . Обратите внимание, что принятый документ будет опубликован независимо от результата заявки СО. Тем не менее, если статья получит значок воспроизводимости, она получит дополнительное распространение благодаря приложению значка R и размещению ссылки на веб-сайте CO с указанием DOI.

Мы приглашаем вас преобразовать ваше программное обеспечение с открытым исходным кодом в дополнительную публикацию журнала в Software Impacts , междисциплинарном журнале с открытым доступом. Software Impacts представляет собой научный справочник по программному обеспечению, которое использовалось для решения исследовательских задач. Журнал распространяет эффективное и повторно используемое научное программное обеспечение через публикации оригинального программного обеспечения, в которых описывается применение программного обеспечения в исследованиях и публикуемые результаты.

Для получения дополнительной информации свяжитесь с нами по адресу: [email protected]

Преимущества для авторов
Мы также предоставляем множество преимуществ для авторов, например бесплатные PDF-файлы, либеральную политику авторских прав, специальные скидки на публикации Elsevier и многое другое. Щелкните здесь, чтобы получить дополнительную информацию о наших услугах для авторов.

Информацию о подаче статей см. В нашем Руководстве для авторов. Если вам потребуется дополнительная информация или помощь, посетите наш Центр поддержки

Hide full Aims & Scope
.

IGCSE ICT — Экспертные системы

.