ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Journal influence

Higher Attestation Commission (VAK) - К1 quartile
Russian Science Citation Index (RSCI)

Bookmark

Next issue

2
Publication date:
16 June 2024

The article was published in issue no. № 1, 2001
Abstract:
Аннотация:
Author: () -
Ключевое слово:
Page views: 15584
Print version
Full issue in PDF (1.22Mb)

Font size:       Font:

Экспертные системы (ЭС) давно уже широко вошли в нашу повседневную жизнь. Многочисленные центры компьютерной диагностики и компьютерного прогнозирования предложат поставить медицинский диагноз, определят неисправность автомобиля, предскажут прогноз погоды и благоприятные для бизнеса дни. Системы автоматизированного проектирования (САПР) с элементами искусственного интеллекта помогут принять решение при проектировании различных агрегатных узлов и строительных объектов, при моделировании технологических процессов, дадут советы по планированию и дизайну. Правовые экспертные системы квалифицированно проконсультируют в сложных юридических вопросах и предложат пути их решения.

Подпись:  
Блок-схема структуры СЭС
В современном понимании ЭС – это система, способная накапливать и обобщать знания и эмпирический опыт высококвалифицированных специалистов (экспертов) в виде базы знаний в некоторой предметной области и в дальнейшем выдавать рекомендации своим пользователям [1,2].

Одна из ключевых проблем проектирования ЭС – проблема взаимодействия программиста-разработчика системы и эксперта-специалиста в предметной области соответствующей ЭС. Программист, в абсолютном большинстве случаев не являющийся экспертом в данной предметной области, должен получать от эксперта требуемые знания в уже формализованном виде. Достаточно часто функция формализации знаний передается так называемому инженеру по знаниям, помогающему эксперту в выработке специальных алгоритмов и приемов. При этом некоторая часть знаний эксперта (эмпирический опыт, интуиция, эвристические приемы) не поддается прямой формализации и подчас не может быть включена в базу знаний ЭС. Передача знаний от эксперта к инженеру по знаниям и от инженера по знаниям к программисту может также привести к невольному искажению этих знаний, их частичной потере. Другими словами, необходимость в некоторых промежуточных звеньях при передаче знаний от эксперта к базе знаний ЭС существенно снижает качество са- мой ЭС.

Один из выходов из сложившейся ситуации – создание самообучающихся ЭС, позволяющих максимально упростить процесс передачи знаний от эксперта к системе.

В этом случае самообучающаяся ЭС (СЭС) – система, способная сама проводить формализацию знаний с помощью заложенных в нее правил формализации, разработанных на основе вероятностных оценок соответствия определенных условий-характеристик ожидаемым событиям-исходам.

В общем случае СЭС может представлять собой лишь некоторую программную оболочку, содержащую правила формализации. При этом она может быть настроена экспертом на любую предметную область. На начальной стадии обучения системы эксперт сам должен контролировать правильность ее работы и корректировать выдаваемые ответы. С учетом этих откорректированных ответов и строится база знаний системы (набор логических правил соответствия определенных условий-характеристик конкретным исходам). Степень данного соответствия может определяться, к примеру, на основе оценок условных вероятностей событий по методу Бай- еса [3]. При дальнейшем обучении система накапливает опыт в виде совершенствующейся базы знаний, постепенно отказываясь от помощи эксперта и переходя в режим самостоятельной работы.

С учетом изложенных соображений была разработана структура СЭС (см. рисунок).

Блок инициализации служит для настройки системы на определенную предметную область. При этом задается множество из всех подлежащих включению в базу знаний характеристик ожидаемых событий и описывается множество из допустимых событий-исходов.

Проверка уровня обученности системы предполагает подсчет процентного соотношения правильных и ошибочных ответов для фиксированного числа последних запусков системы с разнообразными наборами исходных данных. При достаточно близком к 100% количестве правильных ответов считается, что процесс обучения системы может быть завершен и система может далее функционировать в режиме обычной ЭС.

Процесс обучения системы состоит из 5 основных шагов, на первом из которых эксперт закладывает в систему информацию о характеристиках-условиях, соответствующих каждому возможному событию-исходу. На данном этапе обучения очень большое значение имеет предлагаемый программистом-разработчиком интерфейс системы, чтобы обеспечить эксперту наилучшие условия для ввода достаточно больших объемов информации.

На втором шаге обучения система сама занимается формализацией предложенных ей экспертом знаний, исходя из заложенных в нее логических правил. Проводя формализацию новых данных по мере их поступления, система тем самым строит свою базу знаний, формируя причинно-следственные связи условий и явлений и оценивая условные вероятности событий.

Следующий шаг заключается в попытке системы самостоятельного выбора исхода для введенных в нее на первом шаге характеристик. Просчитываются вероятности всех возможных исходов и выбирается исход, имеющий наибольшую степень вероятности при заданных условиях. Естественно, что в начале обучения, обладая еще неполной базой знаний, система достаточно часто будет допускать ошибки по причине своей плохой информированности. По мере совершенствования базы знаний вероятность правильных ответов будет все более возрастать, стремясь достигнуть 100% отметки. Уровень качества знаний системы может ограничиваться лишь степенью компетентности самого создающего систему эксперта, так как именно он осуществляет контроль правильности ответов (шаг 4), вводя при необ- ходимости поправки к выбранным системой вари- антам.

Последний, пятый шаг обучения связан с необходимостью корректировки работы системы при выборе ею неправильного ответа. Эксперту необходимо самому сообщить системе правильный ответ, в зависимости от которого должна быть перестроена база знаний.

После завершения процесса обучения система может быть использована в качестве обычной ЭС при работе с любым контингентом пользователей. В данном случае ее работа будет сводиться к обработке конкретных запросов пользователей и к выбору соответствующих запросам исходов (идентично шагам 1 и 3 обучения системы).

На основании описанного алгоритма автором был разработан пример СЭС. Система прошла несколько инициализаций, самая значительная из которых – определение вида загрязнения буровых растворов в зависимости от их физических показателей.

В заключение хотелось бы отметить, что главные достоинства СЭС – их несомненная универсальность и простота заполнения. Хотя, возможно, они и не слишком подходят для создания узкоспециализированных глубинных ЭС; СЭС могут широко использоваться при создании небольших по объему ЭС или же в учебных целях.

Список литературы

1. Уотермен Д. Руководство по экспертным системам. – М.: Мир, 1989. – 388 с.

2. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. – М.: Наука, 1987. – 283 с.

3. Нейлор К. Как построить свою экспертную систему. – М.: Энергоатомиздат, 1991. – 286 с.


Permanent link:
http://swsys.ru/index.php?page=article&id=776&lang=en
Print version
Full issue in PDF (1.22Mb)
The article was published in issue no. № 1, 2001

Perhaps, you might be interested in the following articles of similar topics: