Експертні системи як сфера застосування технологій штучного інтелекту

Реферат на тему: „ Експертні системи як сфера застосування технологій штучного інтелекту ” Штучний інтелект (ШІ) — розділ комп'ютерної лінгвістики та інформатики, що займається формалізацією проблем та завдань, які нагадують завдання, виконувані людиною. При цьому, у більшості випадків алгоритм розв'язання завдання невідомий наперед. На сьогоднішній день існує багато підходів як до розуміння задач штучного

інтелекту, так і до створення інтелектуальних систем. Основними підходами до визначення завдань ШІ є наступні: — ШІ вивчає методи розв'язання задач, які потребують людського розуміння. Грубо кажучи мова іде про те, щоб навчити ШІ розв'язувати тести інтелекту. Це передбачає розвиток способів розв'язання задач за аналогією, методів дедукції та

індукції, накопичення базових знань і вміння їх використовувати. — ШІ займається моделюванням людської вищої нервової діяльності. — ШІ — це системи, які можуть оперувати з знаннями, а найголовніше — навчатися. В першу чергу мова ведеться про те, щоби визнати клас експертних систем (назва походить від того, що вони спроможні замінити «на посту» людей-експертів)

інтелектуальними системами. Останній підхід розроблявся дослідниками штучного інтелекту в 1960-ті та 1970-ті рр та здобув комерційне застосування, починаючи з 1980-их. Експертна система (ЕС)— це методологія адаптації алгоритму успішних рішень одної сфери науково-практичної діяльності в іншу. З поширенням компютерних технологій це тотожна (подібна, основана на оптимізуючому алгоритмі) інтелектуальна комп'ютерна програма, що містить знання та аналітичні здібності одного або

кількох експертів у відношенні до деякої галузі застосування і здатна робити логічні висновки на основі цих знань, тим самим забезпечуючи вирішення специфічних завдань (консультування, навчання, діагностика, тестування, проектування тощо) без присутності експерта (спеціаліста в конкретній проблемній галузі). Також визначається як система, яка використовує базу знань для вирішення завдань (видачі рекомендацій) в деякій предметній галузі.

Часто термін система, заснована на знаннях, використовується в якості синоніма експертної системи, однак, можливості експертних систем ширші за можливості систем, заснованих на детермінованих (обмежених, реалізованих на поточний час) знаннях. Однак, узгодженого визначення експертних систем не існує. Натомість, автори дають визначення залежно від застосування, структури таких систем. Ранні визначення експертних систем припускали застосування виведення нових знань на основі правил.

Схожі дії виконує програма-майстер (wizard) . Як правило, майстри застосовують в системних програмах для інтерактивного спілкування з користувачем (наприклад, при інсталяції ПЗ). Головна відмінність майстрів від ЕС — відсутність бази знань; всі дії жорстко запрограмовані. Це просто набір форм для заповнення користувачем. Інші подібні програми — пошукові або довідкові системи.

За запитом користувача вони надають найвідповідніші (релевантні) розділи бази статей, альтернативність вибору котрих визначає суб`єкт формування запиту. Тож ми бачимо обмеження методології експертних систем, при наявності корисних якостей в коректних межах застосування. Отже, ЕС призначені для вирішення так званих неформалізованих завдань, але водночас вони і не спростовують і не заміняють традиційного підходу до розробки програм, орієнтованого на рішення

формалізованих завдань. Для окреслення області неформалізованих задач визначимо їх властивості: - Помилковість, неоднозначність, неповнота та протиріччя вхідних даних; - Помилковість, неоднозначність, неповнота та протиріччя знань про проблемну область та вирішуване завдання; - Велика розмірність простору рішень, тобто перебір при пошуку рішення досить великий; - Динамічно змінювані дані та знання. Характеристики

ЕС: Експертна система відрізняється від інших прикладних програм наявністю таких ознак: • Моделює механізм мислення людини при застосуванні для розв'язання задач в цій предметній області. Це істотно відрізняє експертні системи від систем математичного моделювання або комп'ютерної анімації. Однак, ЕС не повинні повністю відтворювати психологічну модель фахівця в цій області, а повинні лише відтворювати за допомогою комп'ютера деякі методики розв'язання проблем, що використовуються експертом.

• Система, окрім виконання обчислювальних операцій, формує певні висновки, базуючись на тих знаннях, якими вона володіє. Знання в системі, зазвичай, описані деякою спеціалізованою мовою і зберігаються окремо від програмного коду, що формує висновки. Компонент збереження знань прийнято називати базою знань. • Під час розв'язання задач основну роль відіграють евристичні

і наближені методи, що, на відміну від алгоритмічних, не завжди гарантують успіх. Евристика, в принципі, є правилом впливу (англ. rule of thumb), що в машинному вигляді відображає деяке знання, набуте людиною разом із накопичуванням практичного досвіду розв'язання аналогічних проблем. Такі методи є наближеними в тому сенсі, що, по-перше, вони не потребують вичерпної вихідної інформації, а, по-друге, існує певний ступінь впевненості (або невпевненості) в тому, що запропонований

розв'язок є правильним. Експертні системи відрізняються і від інших видів програм із галузі штучного інтелекту. • Експертні системи застосовуються для предметів реального світу, операції з якими зазвичай вимагають великого досвіду, накопиченого людиною. Експертні системи мають яскраво виражену практичну направленість для застосування в науковій або комерційній сфері. •

Однією з основних характеристик експертної системи є її швидкодія, тобто швидкість отримання результату та його достовірність (надійність). Дослідницькі програми штучного інтелекту можуть бути і не дуже швидкими, натомість, експертна система повинна за прийнятний час знайти розв'язок, що був би не гіршим за розв'язок, що може запропонувати фахівець в цій предметній області. • «Прозорість» у

рішеннях експертних систем, тобто експертна система повинна мати можливість пояснити, чому запропоновано саме цей розв'язок і довести його обґрунтованість. Користувач повинен отримати всю інформацію, необхідну йому для того, аби переконатись в обґрунтованості запропонованого розв'язку. • Експертна система повинна поповнювати свої знання вході взаємодії з експертом. Структура ЕС: Рис.1 Структура статичної ЕС Типова статична

ЕС складається з наступних основних компонентів: 1. База даних 2. База знань 3. Інтерпретатор 4. Компонент отримання знань 5. Пояснюючий компонент 6. Діалоговий компонент База даних (робоча память) призначена для зберігання вхідних та проміжних даних вирішуваної в поточний момент часу задачі. Такий термін співпадає по назві, але не по змісту з терміном, що використовується в

інформаційно-пошукових системах та системах керування базами даних для визначення всіх даних (в першу чергу довготривалих), що зберігаються в системі. Для зберігання довготривалих даних в ЕС використовується база знань. Ці дані містять опис використовуваної області та правила, що описують доцільну обробку даних в цій області. Інтерпретатор, використовуючи вхідні дані з робочої памяті та знання з бази знань, формує таку послідовність правил, які при застосування до вхідних даних призводять

до рішення задачі. Компонент отримання знань автоматизує процес наповнення ЕС знаннями, що надаються користувачем-експертом. Пояснюючий компонент пояснює, як система отримала рішення задачі (або чому вона не отримала рішення) і які знання вона при цьому використовувала, що полегшує експерту тестування системи і підвищує довіру користувача до отриманого результату та системи загалом.

Діалоговий компонент орієнтований на організацію дружнього спілкування з користувачем як під час вирішення задачі, так і в процесі отримання знань та пояснення рішень. В розробці ЕС приймають участь представники наступних спеціальностей: 1. Експерт в робочій області, задачі якої і буде вирішувати ЕС. Він визначає знання (дані та правила), що характеризують проблемну область, забезпечує

їх повноту та правильність. 2. Інженер по знанням - спеціаліст по розробці ЕС. Допомагає експерту виявити та структурувати знання, необхідні для роботи ЕС, здійснює вибір інструментальних засобів, які найбільше підходять для даної проблемної області та визначає спосіб представлення знань за допомогою цих засобів, виділяє та програмує стандартні функції, типові для даної системи, які будуть використовуватись в правилах, які вводить експерт.

3. Програміст з розробки інструментальних засобів призначених для прискорення розробки ЕС, які містять всі основні компоненти ЕС, а також їх спряження з середовищем використання. Представлення знань — одна із функцій експертної системи. Теорія представлення знань — окрема галузь досліджень, тісно пов'язана з філософією формалізму та когнітивною психологією.

Предмет дослідження в цій галузі — методи асоціативного збереження інформації, подібні до тих, що існують в мозку людини. У галузі штучного інтелекту проводиться робота зі створення мов представлення знань, тобто, комп'ютерних мов, орієнтованих на організацію описів об'єктів та ідей. Основними критеріями для представлення знань

є логічна адекватність, евристична потужність та природність нотації. Класифікація ЕС за завданням, що вирішується: • Інтерпретація даних • Діагностика • Моніторинг • Проектування • Прогнозування • Звітне планування • Навчання • Керування • Підтримка ухвалення рішень Розробка ЕС: При розробці ЕС, як правило, використовується концепція швидкого прототипу.

Суть даної концепціє заклечається в тому, що розробники не намагаються одразу побудувати готовий продукт. На початковому етапі вони створюють прототип ЕС, який повинен задовольняти дві суперечливі вимоги: з однієї сторони, він повинен вирішувати типові задачі конкретного прикладного рівня, а з іншої, час та трудомісткість їх розробки повинні бути доволі незначними, щоб можно було максимально розпаралелити процес накопичення та відлагодження знань, що здійснюється експертом, з процесом вибору

(розробки) програмних засобів, що здійснюється інженером по знанням та програмістом. Для задоволення вказаних вимог, як правило, при створення прототипу використовуються різноманітні засоби, що прискорюють процес проектування. Прототип повинен продемонструвати успішне застосування методів інженерії знань для задач даного прикладного рівня. У випадку успіху експерт за допомогою інженера по знанням розширює знання прототипу про проблемну область.

При невдачі може знадобитись розробка нового прототипу або розробники можуть дійти висновку про неефективність методів ЕС для даного рівня задач. По мірі збільшення знань прототип може досягнути такого стану, коли він успішно розв’язує всі задачі даного рівня. Перетворення прототипу ЕС в кінцевий продукт зазвичай призводить до препрограмування ЕС на мовах низького рівня, що забезпечує як збільшення швидкодії

ЕС, так і зменшення обсягів памяті потрібної для її функціонування. Трудомісткість та час розробки ЕС в значній мірі залежать від типу використовуваних інструментальних засобів. В ході робіт по створенню ЕС склалась пвна технологія їх розробки, що включає наступні етапи: • Етап ідентифікації проблем - визначаються завдання, які підлягають вирішенню, виявляються цілі розробки,

визначаються експерти і типи користувачів. • Етап витягання знань - проводиться змістовний аналіз проблемної області, виявляються поняття і їх взаємозв'язки, визначаються методи розв'язання задач. • Етап структуризації знань - обираються ІС і визначаються способи подання всіх видів знань, формалізуются основні поняття, визначаються способи інтерпретації знань, моделюється робота системи, оцінюється адекватність цілям системи зафіксованих понять, методів рішень, засобів представлення й маніпулювання знаннями. •

Етап формалізації - здійснюється наповнення експертом бази знань. У зв'язку з тим, що основою ЕС є знання, даний етап є найбільш важливим і найбільш трудомістким етапом розробки ЕС. Процес придбання знань поділяють на вилучення знань з експерта, організацію знань, що забезпечує ефективну роботу системи, і представлення знань у вигляді, зрозумілому

ЕС. Процес придбання знань здійснюється інженером зі знань на основі аналізу діяльності експерта з вирішення реальних завдань. • Реалізація ЕС - відбувається створення одного або декількох прототипів ЕС котрі вирішують поставлені задачі. • Етап тестування - проводиться оцінка обраного способу представлення знань в ЕС в цілому. Переваги та слабкі місця експертних систем: Експертні системи відзначаються певними перевагами над людьми-експертами при використанні.

Зокрема, експертна система: • переважає можливості людини при вирішенні надзвичайно громіздких проблем; • не має упереджених думок, тоді як експерт може користуватися побічними знаннями і легко піддається впливу зовнішніх факторів; • не робить поспішних висновків, нехтуючи певними етапами знайдення рішення; • забезпечує діалоговий режим роботи; • дозволяє роботу з інформацією, що містить символьні змінні; • забезпечує коректну роботу з

інформацією, яка містить помилки, за рахунок використання ймовірнісних методів досліджень; • дозволяє проводити одночасну обробку альтернативних версій; • за вимогою пояснює хід кроків реалізації програми; • забезпечує можливість обгрунтування рішення та відтворення шляху його прийняття. Але навіть найкращі з існуючих експертних систем мають певні обмеження у порівнянні з людиною-експертом, які зводяться до таких: • Більшість експертних систем не цілком придатні для широкого використання.

Якщо користувач не має деякого досвіду роботи з цими системами, у нього можуть виникнути серйозні труднощі. Багато експертних систем доступні лише тим експертам, які створювали їх бази знань. Тому потрібно паралельно розробляти відповідний користувацький інтерфейс, який би забезпечив кінцевому користувачу властивий йому режим роботи; • "Навички" системи не завжди "зростають" після сеансу експертизи, навіть коли проявляються

нові знання; • Все ще залишається проблемою приведення знань, отриманих від експерта, до вигляду, який забезпечував би їх ефективне використання; • Експертні системи, як правило, не можуть набувати якісно нових знань, не передбачених під час розробки, і тим більше не володіють здоровим глуздом. Людина-експерт при розв'язанні задач звичайно звертається до своєї інтуїції або здорового глузду, якщо відсутні формальні методи рішення або аналоги розв'язування даної

проблеми. Сфера застосування та перспективи розвитку: Експертні системи досить давно використовуються у діагностиці, зокрема у медичній та автомобільній. Також експертні системи можна використовувати в прогнозуванні, плануванні, контролі, управлінні та навчанні. Наприклад, експертні системи вже застосовуються в банківській справі в таких напрямках: • програмах аналізу інвестиційних проектів; • програмах аналізу стану валютного, грошового та фондового

ринку; • програмах аналізу кредитоспроможності чи фінансового стану підприємств і банків. Процес створення експертних систем значно змінився за останні роки. Завдяки появі спеціальних інструментальних засобів побудови експертних систем значно скоротились терміни та зменшилась трудомісткість їх розробки. Інструментальні засоби, що використовуються при створенні експертних систем, можна розбити на три класи: • мови програмування, орієнтовані на створення експертних

систем (Лісп, Пролог, Smalltalk, FRL, InterLisp та такі загальновживані, як: Сі, Асемблер, Паскаль, Фортран, Бейсик); • середовища програмування (Delphi, Java); • порожні експертні системи (наприклад, оболонка EXSYS Professional 5.0 for Windows). На американському і західноєвропейських ринках систем штучного інтелекту організаціям, які бажають створити експертну

систему, фірми-розробники пропонують сотні інструментальних засобів для їх побудови. Нараховуються тисячі розроблених вузькоспеціалізованих експертних систем. Це свідчить про те, що експертні системи складають дуже вагому частину програмних засобів. Приклади експертних систем: MYCIN була ранньою експертною системою розробленої за 5 або 6 років на початку 1970х років в Стендфордському університеті.

Вона була написана на Ліспі як докторська дисертація Edward Shortliffe під керівництвом Bruce Buchanan, Stanley N. Cohen та інших. У цій же лабораторії було раніше створено експертну систему Dendral, але на цей раз увагу було акцентовано на використанні вирішальних правил з елементами невизначеності. MYCIN була спроектована для діагностування бактерій, що викликають важкі

інфекції, такі як бактеріємія і менінгіт, а також для рекомендації необхідної кількості антибіотиків в залежності від маси тіла пацієнта. Назва системи походить від суфікса «-міцін», часто зустрічається в назвах антибіотиків. Також Mycin використовувалася для діагностики захворювань згортання крові. MYCIN оперувала за допомогою досить простої машини виводу, і бази знань з ~ 600 правил. Після запуску, програма ставила користувачеві (лікарю) довгий ряд простих

«так / ні» або текстових питань. У результаті, система надавала список підозрюваних бактерій, відсортований за ймовірністю, вказувала довірчий інтервал для ймовірностей діагнозів та їх обгрунтування (тобто MYCIN надавала список питань і правил, які привели її до саме такого ранжирування діагнозів), а також рекомендувала курс лікування. Незважаючи на успіх MYCIN, вона викликала дебати з приводу правомірності

її машини виводу. Дослідження, проведені розробниками, показали, що ефективність системи мінімально залежить від конкретних числових особливостей реалізацій правил виводу. Вони допустили, що ефективність в значно більшій мірі залежить від способу представлення знань і способу виводу. Це питання було розглянуто в (Shortliffe EH and Buchanan BG. A model of inexact reasoning in medicine.

Mathematical Biosciences 23:351-379, 1975) і потім в їх докладній книзі про MYCIN і пов'язаних з нею експериментах (Rule Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project, EH Shortliffe, eds. Reading, MA: Addison-Wesley, 1984). Дослідження, проведені в

Stanford Medical School, виявили, що MYCIN пропонує прийнятну терапію приблизно в 69% випадків, що краще, ніж у експертів з інфекційних хвороб, яких оцінювали за тими ж критеріями. Це дослідження часто цитують, щоб продемонструвати можливу ступінь незгоди між рішеннями лікарів, навіть якщо вони експерти, коли немає «золотого стандарту» для правильного лікування. SHINE (Spacecraft Health Inference Engine) програмний

інструмент експертних систем, що був створений як продукт для наукових досліджень і розробок з штучного інтелекту групи технології інформаційних систем в NASA / JPL. Система в даний час регулярно використовується в фундаментальних і прикладних дослідженнях штучного інтелекту в межах JPL. Це система, яка була розроблена, щоб бути досить ефективною для роботи в середовищі в режимі реального

часу і бути використаною без LISP додатків, написаних на звичайних мовах програмування, таких як C і C + +. Ці не LISP додатки можуть бути запущені в розподіленому обчислювальному середовищі на віддаленому комп'ютері або на комп'ютері, який підтримує декілька мов програмування. Система може бути використана для розробки додатків штучного інтелекту, а також спеціалізовані інструменти для наукових досліджень.

Знання систем на базі автоматизованого планування завдань, моніторингу, діагностики та інші додатки вимагають різних програмних модулів на основі штучного інтелекту концепцій і передові методи програмування. Складне програмне забезпечення, засоби розробки, що дозволяє збільшити швидкість досліджень і розробки нових додатків штучного інтелекту є вельми бажаними.

Система SHINE була розроблена саме для цієї мети. Wolfram | Alpha - база знань і набір обчислювальних алгоритмів (англ. computational knowledge engine). Не є пошуковою системою. Запущено 15 травня 2009. Засновник проекту, Стівен Вольфрам, пояснює, що він зможе перевести природно-мовні питання у формат, зрозумілий для комп'ютерів, що дозволить виробляти обчислення

і пошук через трильйони одиниць «Кураторів даних» з використанням мільйонів рядків алгоритмів для надання користувачу відповідей. Нова Співак висловив думку, що «Wolfram | Alpha може бути такою ж значущою, як і Google». Wolfram | Alpha не повертає перелік посилань, що грунтується на результатах запиту, а обчислює відповідь, грунтуючись на власній базі знань, яка містить дані з математики, фізики, астрономії, хімії, біології, медицині,

історії, географії, політики, музиці, кінематографії, а також інформацію про відомих людей та інтернет-сайтах. Він здатний переводити дані між різними одиницями вимірювання, системами числення, підбирати загальну формулу послідовності, знаходити можливі замкнуті форми для наближених дробових чисел, обчислювати суми, межі, інтеграли, розв'язувати рівняння і системи рівнянь, проводити операції з матрицями, визначати властивості

чисел і геометричних фігур . Однак, розрахунок на підставі власної бази має і свої недоліки, в тому числі - уразливість до помилок даних. Наприклад, на момент відкриття, запит president of russia 1999 видавав ім'я Аслана Масхадова (в даний час ця помилка вже виправлена). Движок Wolfram | Alpha заснований на обробці природної мови (в даний час - тільки англійської), великий

бібліотеці алгоритмів і NKS(A New Kind of Science)-підході для відповідей на запити. Він написаний на мові Mathematica і складає близько 5 мільйонів рядків, в даний час виконується приблизно на 10000 процесорах. 19 жовтня 2009 було випущено додаток для iPhone (пізніше - для iPad), а 6 жовтня 2010 року - для Android. Додаток являє собою браузер, здатний показувати тільки одну сторінку - m.wolframalpha.com з розширеною клавіатурою, корисної для введення математичних формул.

Додаток коштує $ 1.99 Система R1 була однією з перших успішних спроб застосування експертних систем у промисловості на початку 1980-х років [McDermott, 1980], [McDermott, 1981], [McDermott, 1982, а]. Ця система призначена для допомоги розробникам при визначенні конфігурації обчислювальної системи на базі обчислювальних пристроїв і блоків сімейства VAX. Спочатку програма перевіряє повноту специфікації вимог до проектованої системи,

яка представлена замовником. На другому етапі програма визначає конфігурацію системи, що відповідає цим вимогам. Комерційна версія системи, розроблена спільно університетом Карнегі-Меллон і корпорацією Digital Equipment, отримала найменування XCON. Завданнями системи R1 не можна віднести до типу тривіальних. Типовий обчислювальний комплекс включає 50-100 компонентів, головними з яких

є центральний процесор, пристрій управління оперативною пам'яттю, блоки управління інтерфейсом по шинах UNIBUS і MASSBUS, причому всі ці компоненти підключені до єдиної платі синхронізації. Шинні інтерфейси підтримують обмін з широкою номенклатурою периферійних пристроїв - пристроями зовнішньої пам'яті на магнітних стрічках і дисках, принтерами і т.п. У результаті є можливість будувати системи самої різної конфігурації.

Отримавши замовлення зі специфікацією характеристик обчислювального комплексу, система R1 повинна прийняти рішення про те, які пристрої потрібно включити до складу комплексу і як їх об'єднати в єдину систему. Прийняти рішення про те, чи відповідає певна конфігурація тим характеристикам, які представлені в замовленні, не так просто, оскільки для цього потрібно володіти знаннями про можливості і характеристики всіх компонентів і відносинах між різними компонентами.

Не менш складна й задача оптимальної компоновки комплексу з обраного набору компонентів, оскільки при її вирішенні потрібно брати до уваги безліч обмежень на взаємне розташування компонентів у структурі комплексу. Наприклад, підключення модулів розширення UNIBUS до пристрою синхронізації вимагає враховувати обмеження по струмового навантаження, що існують для пристрої синхронізації, і розподіл пріоритетів переривань для модулів розширення.

Таким чином, завдання вибору конфігурації можна з повним правом вважати класичною конструктивною проблемою, яка вимагає для свого рішення значного обсягу експертних знань. The Dipmeter Advisor була одною з перших експертних систем, розроблених в 1980-х роках компанією " Schlumberge" за допомогою штучного інтелекту в Массачусетському технологічному інституті для надання допомоги в аналізі даних, зібраних в ході розвідки

нафтових родовищ. The Dipmeter Advisor це не тільки двигун виводу і база знань ~ 90 правил, а в цілому повноцінна робоча станція, що працює на одній з 1100 Dolphin Xerox Lisp машин і написана на INTERLISP-D, з шаром розпізнавання образів, у свою чергу подається GUI інтерфейс. ЇЇ успіх був не завдяки великому стрибку в технологіях, а скоріше завдяки її успішностідля компанії "Schlumberge" і тому дана система була одною з небагатьох

історій успіху на хвилі популярності ШІ і отримала великих розголос. Правила для даної системи були розроблені інженером компанії, який в свою чергу і запропонував червоно-синьо-зелений метод візуалізації результатів залежів. На жаль, цей метод має обмежене застосування в більш складних геологічних умовах за межами узбережжя Мексиканської затоки, і поза межами "Schlumberge" в основному використовувався в якості графічного

інструменту візуалізації для надання допомоги кваліфікованим геологам, а не як інструмент ШІ для використання початківцями. Однак, дана система започаткувала новий підхід щодо використання робочих станцій для візуалізації та інтерпретації геологічної інформації. Веб-джерела: http://ru.wikipedia.org/wiki/%D0%AD%D0%B A%D1%81%D0%BF%D0%B5%D1%80%D1%82%D0%BD%D0 %B0%D1%8F_%D1%81%D0%B8%D1%81%D1%82%D0%B5 %D0%BC%D0%B0 http:

//portal.acm.org/citation.cfm?id=80 9598 http://diuf.unifr.ch/pai/ai/lecture_note s/AI_5_ES_Part1_MC.pdf http://ru.wikipedia.org/wiki/MYCIN http://ru.wikipedia.org/wiki/WolframAlph a