5.7 Формирование ответа на вопрос «почему»

Объяснение экспертной системы в этом случае должно выглядеть примерно так:

потому, что

Я могу использовать a,

чтобы проверить по правилу 1, что b, и

Я могу использовать b,

чтобы проверить по правилу 2, что c, и

Я могу использовать c,

чтобы проверить по правилу 3, что d, и

…

Я могу использовать y,

чтобы проверить по правилу n, что z, и

z – это Ваш исходный вопрос.

Объяснение – это демонстрация того, как система намерена использовать информацию, которую она хочет получить от пользователя. Намерения системы демонстрируются в виде цепочки правил и целей, соединяющей эту информацию с исходным вопросом. Такая цепочка называется трассой. Трассу можно представить как цепочку правил, соединяющую в И/ИЛИ – дереве вопросов текущую цель с целью самого верхнего уровня так, как это показано на рисунке. Таким образом, для формирования ответа на вопрос «почему» нужно двигаться в пространстве поиска от текущей цели вверх вплоть до самой верхней цели. Для того, чтобы суметь это сделать, нам придется в процессе рассуждений сохранять трассу в явном виде.

5.8 Формирование ответа на вопрос «как»

Один из известных способов ответить на вопрос «как» – это представить доказательство, то есть те правила и подцели, которые использовались для достижения полученного заключения. Это доказательство имеет вид решающего И/ИЛИ – дерева. Поэтому наша машина логического вывода будет не просто отвечать на вопрос, соответствующий цели самого верхнего уровня, а будет выдавать в качестве ответа решающее И/ИЛИ – дерево, составленное из имен правил и подцелей. Затем это дерево можно отобразить на выходе системы в качестве объяснения типа «как».Объяснению можно придать удобную для восприятия форму, например:

«Пушок» это хищник

было выведено по правилу 3 из

«Пушок» это млекопитающее

было выведено по правилу 1 из

«Пушок» имеет шерсть

было сказано

и «Пушок» ест мясо

было сказано.

5.9 Работа с неопределенностью

Описанная выше оболочка экспертной системы может работать только с такими вопросами (утверждениями), которые либо истинны, либо ложны. Правила базы знаний - «категорические импликации», однако многие области экспертных знаний не являются категорическими. Поэтому, как данные, относящиеся к конкретной задаче, так и импликации, содержащиеся в правилах, могут быть не вполне определенными. Неопределенность можно продемонстрировать, приписывая утверждениям некоторые характеристики, отличные от «истина»и«ложь».Характеристики могут иметь свое внешнее выражение в форме дескрипторов, таких как, например,верно, весьма вероятно, вероятно, маловероятно, невозможно.Другой способ представления – степень вероятности может выражаться в форме действительного числа, заключенного в некотором интервале, например между 0 и 1 или между –5 и +5. Такую характеристику называют по-разному- «коэффициент определенности», «степень доверия», «субъективная уверенность». Более естественным было бы использовать вероятности в математическом смысле слова, но попытки применить их на практике приводят к трудностям по следующим причинам:

• экспертам неудобно мыслить в терминах вероятностей. Их оценки правдоподобия не вполне соответствуют математическому определению вероятности;

• работа с вероятностями, корректная с точки зрения математики, потребовала бы каких-либо упрощающих допущений, не вполне оправданных с точки зрения практического приложения.

Поэтому, даже если выбранная мера правдоподобия лежит в интервале от 0 до 1, более правильным будет называть ее «субъективной уверенностью», подчеркивая этим, что имеется в виду оценка, данная экспертом. Вычисления над такими оценками могут отличаться от вычислений теории вероятностей, однако, они могут служить вполне адекватной моделью того, как человек оценивает достоверность своих выводов.

Для работы в условиях неопределенности было придумано множество различных механизмов, мы рассмотрим одну простую модель, которая не лишена недостатков, но была использована на практике в экспертных системах минералогической разведки и локализации неисправностей.

В данной системе достоверность событий моделируется с помощью действительных чисел, заключенных в интервале от 0 до 1. Отношения между событиями можно представить графически в виде «сети вывода», на которой события изображаются прямоугольниками, а отношения между ними стрелками. Овалами изображены комбинации событий (И, ИЛИ, НЕ). Отношения между событиями являются «мягкими импликациями».

Пусть имеются два события EиH, и пусть информация о том, что имело место событиеE, оказывает влияние на нашу уверенность в том, что произошло событиеH. Данному отношению можно приписать некоторую «силу», с которой оно действует:

если E, то H с силой S.

В данной системе сила моделируется при помощи двух параметров:

N=<коэффициент необходимости>;

S=<коэффициент достаточности>.

В сети вывода это изображается так:

E

H

(N, S)

p₀ (E) p₀(H), p₀ – априорная вероятность;

p(E) p(H|E), p – апостериорная вероятность.

Два события, участвующие в отношении, часто называют “фактом” и “гипотезой”. Тогда, необходимо найти такой факт E, который мог бы подтвердить или опровергнуть гипотезуH.Sпоказывает, в какой степенидостаточно фактаEдля подтверждениягипотезы H, N – наскольконеобходимфакт E для подтверждения гипотезы H. Если фактEимел место, то чем большеS, тем больше уверенности вH. С другой стороны, если не верно, что имел место фактE, то чем большеN, тем менее вероятно, что гипотезаH верна.

Для каждого события Hсети вывода существует априорная вероятностьp₀ (H)-безусловная вероятность событияHв состоянии, когда неизвестно ни одного положительного или отрицательного факта. Если становится известным какой-нибудь фактE, то вероятностьHменяет свое значение сp₀ (H) наp(H|E). Величина изменения зависит от «силы» стрелки, ведущей из E в H.

Таким образом, проверка гипотез начинается, исходя из априорных вероятностей. В дальнейшем происходит накопление информации о фактах, что находит свое отражение в изменении вероятностей событий сети. Эти изменения распространяются по сети событий в соответствии со связями между событиями. Логические комбинации отношений можно изобразить следующим образом:

Eне E

p1-p

p₁ E₁

E₁ и E₂ и E₃

p₂ E₂

p₃ E₃ p= max (p_i)

p₁ E₁ i

E₁ или E₂ или E₃

p₂ E₂

p= min (p_i)

p₃ E₃ i

На следующем рисунке представлен пример представления сети событий.

0.001 0.001 0.001

(0.001,2000)

(0.001,1000) (0.001,400)

0.005 0.005

(0.05,400) (0.001,10000) (0.5,200) (0.001, 800)

0.01 0.005 0.001 0.01

ть это избыточная информация.

Литература:

1. Адаменко А.Н., Кучуков А. Логическое программирование и Visual Prolog – Спб.: БХВ – Петербург, 2003.

2. Андрейчиков А.В., Андрейчикова О.Н.. Интеллектуальные информационные системы: Учебник. – М.: Финансы и статистика, 2006. – 424 с., ил.

3. Братко И. Алгоритмы искусственного интеллекта на языке Prolog. М.: Вильямс, 2004. – 637 с.

4. Марселлус Д. Программирование экспертных систем на Турбо Прологе: Пер. с англ. – М.: Финансы и статистика, 1994. – 256 с., ил.

5. Осовский С. Нейронные сети для обработки информации / Пер. с пол. И.Д. Рудинского. – М.: Финансы и статистика, 2002. – 344 с.: ил.

6. Солдатова О.П. Основы нейроинфоматики: учеб. пособие - Самара: Изд-во Самар. гос. аэрокосм. ун-та, 2006- 132 с. ил.

7. Стерлинг Л., Шапиро Э. Искусство программирования на языке Пролог: Пер. с англ. М.: Мир.1990.

8. Хайкин С. Нейронные сети: Полный курс: Пер. с англ. - 2-е изд. – М.: Вильямс, 2006. – 1104 с.: ил.