книги / Управление инновационными проектами

рументы ROLAP позволяют производить анализ непосредственно над ними. При этом размер хранилища не является таким критичным параметром, как в случае MOLAP;

в случае переменной размерности задачи, когда изменения в структуру измерений приходится вносить достаточно часто, ROLAP-системы с динамическим представлением размерности являются оптимальным решением, так как в них такие модификации не требуют физической реорганизации БД;

реляционные СУБД обеспечивают значительно более высокий уровень защиты данных и хорошие возможности разграничения прав доступа.

Главный недостаток ROLAP по сравнению с многомерными СУБД – меньшая производительность. Для обеспечения производительности, сравнимой с MOLAP, реляционные системы требуют тщательной проработки схемы базы данных и настройки индексов, т.е. больших усилий со стороны администраторов БД. Только при использовании схем типа «звезда» (см. рис. 66) производительность хорошо настроенных реляционных систем может быть приближена к производительности систем на основе многомерных баз данных.

HOLAP

HOLAP-серверы используют гибридную архитектуру, которая объединяет технологии ROLAP и MOLAP. В отличие от MOLAP, которая работает лучше, когда данные болееменее плотные, серверы ROLAP показывают лучшие параметры в тех случаях, когда данные довольно разрежены. Серверы HOLAP применяют подход ROLAP для разреженных областей многомерного пространства и подход MOLAP – для плотных областей. Серверы HOLAP разделяют запрос на несколько подзапросов, направляют их к соответствующим фрагментам данных, комбинируют результаты, а затем предоставляют результат пользователю.

281

10.8. Автоматизированная экспертная обработка данных (экспертные системы)

Экспертная система – это программа для компьютера, которая оперирует со знаниями в определенной предметной области с целью выработки рекомендаций или решения проблем.

Экспертные системы – это прикладные системы ИИ, в которых база знаний представляет собой формализованные эмпирические знания высококвалифицированных специалистов (экспертов) в какой-либо узкой предметной области. Экспертные системы предназначены для замены при решении задач экспертов в силу их недостаточного количества, недостаточной оперативности в решении задачи или в опасных (вредных) для них условиях.

Типовые задачи, решаемые экспертными системами:

извлечение информации из первичных данных (таких как сигналы, поступающие от гидролокатора);

диагностика неисправностей (как в технических системах, так и в человеческом организме);

структурный анализ сложных объектов (например, химических соединений);

выбор конфигурации сложных многокомпонентных систем (например, распределенных компьютерных систем);

планирование последовательности выполнения операций, приводящих к заданной цели (например, выполняемых промышленными роботами).

Отличия экспертных систем от других систем

1) Моделирует не столько физическую (или иную) природу определенной проблемной области, сколько механизм мышления человека применительно к решению задач в этой проблемной области.

Это существенно отличает экспертные системы от систем математического моделирования или компьютерной

282

анимации. Нельзя, конечно, сказать, что программа полностью воспроизводит психологическую модель специалиста

вэтой предметной области (эксперта), но важно, что основное внимание все-таки уделяется воспроизведению компьютерными средствами методики решения проблем, которая применяется экспертом, т.е. выполнению некоторой части задач так же (или даже лучше), как это делает эксперт.

2)Система помимо выполнения вычислительных операций формирует определенные соображения и выводы, основываясь на тех знаниях, которыми она располагает.

Знания в системе представлены, как правило, на некотором специальном языке и хранятся отдельно от собственно программного кода, который и формирует выводы и соображения. Этот компонент программы принято называть базой знаний. При решении задач основными являются эвристические и приближенные методы, которые, в отличие от алгоритмических, не всегда гарантируют успех. Эвристика, по существу, является правилом влияния (rule of thumb), которое

вмашинном виде представляет некоторое знание, приобретенное человеком по мере накопления практического опыта решения аналогичных проблем. Такие методы являются приблизительными в том смысле, что, во-первых, они не требуют исчерпывающей исходной информации, и, во-вторых, существует определенная степень уверенности (или неуверенности) в том, что предлагаемое решение является верным.

Разработка экспертных систем возможна, когда:

существуют эксперты в данной области;

эксперты сходятся в оценке предлагаемого решения;

эксперты могут выразить на естественном языке

иобъяснить используемые методы;

задача требует только рассуждений, а не действий;

решение задачи занимает у эксперта до нескольких часов или дней, а не недель или месяцев;

283

задача относится к достаточно структурированной об-

ласти;

решение не основывается на использовании здравого смысла в значительной степени (т.е. широкий спектр общих сведений о мире и о способе его функционирования).

Разработка экспертной системы оправдана, если:

решение задачи принесет значительный эффект;

использовать человека-эксперта невозможно из-за ограниченного количества экспертов или из-за необходимости выполнения экспертизы одновременно во многих местах;

при передаче информации эксперту происходит значительная потеря времени или информации;

необходимо решать задачу в окружении, враждебном человеку.

Можно выделить следующие основные классы задач, решаемых экспертными системами: диагностика, прогнозирование, идентификация, управление, проектирование, мониторинг.

Наиболее широко встречающиеся области деятельности, где используются экспертные системы: медицина, вычислительная техника, военное дело, микроэлектроника, радиоэлектроника, юриспруденция, экономика, экология, геология (поиск полезных ископаемых), математика.

Рис. 68. Структура экспертной системы

284

Типовая структура экспертной системы приведена на рис. 68, где:

База знаний – служит для хранения экспертных знаний о предметной области, используемых при решении задач.

Подсистема приобретенных знаний – служит для кор-

ректировки и пополнения базы знаний. В простейшем случае это – интеллектуальный редактор базы знаний, в более сложных экспертных системах – средства для извлечения знаний из баз данных, неструктурированного текста, графической информации и т.д.

Подсистема объяснений – дает возможность пользователю контролировать ход рассуждений и, может быть, учиться у экспертной системы. Если нет этой подсистемы, экспертная система выглядит для пользователя как «вещь в себе», решениям которой можно либо верить, либо нет.

База данных (рабочая память) – служит для временного хранения фактов или гипотез, являющихся промежуточными решениями или результатом общения системы с внешней средой, в качестве которой обычно выступает человек, ведущий диалог с экспертной системой.

Машина логического вывода – механизм рассуждений,

оперирующий знаниями и данными с целью получения новых данных из знаний и других данных, имеющихся в рабочей памяти. Для этого обычно используется программно реализованный механизм дедуктивного логического вывода (ка- кая-либо его разновидность) или механизм поиска решения в сети фреймов или семантической сети. Реализовывать рассуждения можно в виде:

дедуктивного вывода (прямого, обратного, смешан-

ного);

нечеткого вывода;

вероятностного вывода;

унификации (подобно тому, как это реализовано в языке Prolog);

285

поиска решения с разбиением на последовательность подзадач;

поиска решения с использованием стратегии разбиения пространства поиска с учетом уровней абстрагирования решения или понятий, с ними связанных;

монотонного или немонотонного рассуждения, рассуждений с использованием механизма аргументации;

ассоциативного поиска с использованием нейронных

сетей;

вывода с использованием механизма лингвистической переменной.

Подсистема общения – служит для ведения диалога с пользователем, в ходе которого ЭС запрашивает у пользователя необходимые факты для процесса рассуждения, а также дает возможность пользователю в какой-то степени контролировать и корректировать ход рассуждений экспертной системы.

Для построения такой экспертной системы существуют этапы построения, которые позволяют достичь гарантированного результата (рис. 69).

Рис. 69. Основные этапы разработки экспертной системы

286

Идентификация.

Определение участников и их ролей в процессе создания и эксплуатации экспертной системы.

Идентификация проблемы.

Определение необходимых ресурсов – временных, людских, материальных.

Определение целей. Концептуализация.

На этом этапе разработчики должны ответить на следующие вопросы:

Какие типы данных нужно использовать?

Что из данных задано, а что должно быть выведено? Имеют ли подзадачи наименования?

Имеют ли стратегии наименования?

Имеются ли ясные частичные гипотезы, которые широко используются?

Экспертные системы могут быть нескольких типов. Один из самых распространенных типов экспертных систем – это продукционная экспертная система (рис. 70).

БАЗА ЗНАНИЙ

ПРАВИЛА ФАКТЫ

αi βi

α1, , αn

МЕХАНИЗМ

ВЫВОДА

Рис. 70. Структура продукционной экспертной системы [19]

287

Правила продукции (см. рис. 70) интерпретируются с помощью конструкции

ЕСЛИ αi ТО βi .

Можем иметь продукцию вида

ЕСЛИ α1 и α2 и α3 и α4 ТО α5

и цепочек вывода (рис. 71): прямой и обратной.

α2 αα4 α5

3

Рис. 71. Цепочка вывода продукционной экспертной системы

Другой тип экспертной системы – нейлоровская диагностирующая система. Отличие нейлоровской диагностирующей экспертной системы от экспертной системы продукционного типа состоит в использовании верхних и нижних порогов для вероятностей отдельных гипотез. Если вероятность Р(Н) после учета всех свидетельств превосходит верхний по-

рог М1(Н):

Р(Н) > М1(Н),

то гипотеза принимается как основа для возможного заключения. Если же

Р(Н) < М2(Н),

где М2(Н) – нижний порог, то гипотеза отвергается как неправдоподобная.

Например, если задается вопрос о наличии повышенной температуры у пациента, то необходимо дать пользователю возможность проранжировать степень повышения температуры, например, в соответствии с 11-балльной шкалой:

–5 соответствует НЕТ; 0 соответствует НЕ ЗНАЮ; +5 соответствует ДА.

288

Присутствуют и все промежуточные целые значения шкалы от –5 до +5. В результате каждое свидетельство будет оцениваться по этой шкале на основании ответа пользователя

={–5,–4,–3,–2,–1,0,+1,+2,+3,+4,+5}. После обработки очеред-

ного свидетельства мы вычислим вероятность Р(Н).

	H1	Еs
		Еs+1
		Еs+2
	H2	Еs+3
	Еs–1	Еs+4

Еs+5

H3	Еs+6

Рис. 72. Связь свидетельств и гипотез

В базе знаний имеем конечное множество гипотез Н1, H2, … Hn и конечное множество свидетельств (вопросов) E1,

E2, … Es (рис. 72).

При построении диалога каждый раз выбираются вопросы (свидетельства) с наибольшими ценами. В процессе вывода цены свидетельств все время пересчитываются в зависимости от получаемых текущих результатов.

Еще один тип экспертных систем – это фреймовые экспертные системы. Фреймовая модель, основанная на теории М. Минского, представляет собой систематизированную в виде единой теории технологическую модель памяти человека и его сознания (рис. 73). Важным элементом в этой теории является понятие фрейма – структуры данных для представления некоторого концептуального объекта. Информация, относящаяся к этому фрейму, содержится в составляющих фрейма – слотах. В отличие от моделей других типов, во фреймовых моделях фиксируется жесткая структура, которая называется протофреймом (фреймом-прототипом,

289

или образцом). В общем случае фрейм определяется следующим образом [11]:

f r1,v1	, ,	rn ,vn	, где f – имя фрейма;	vi –

значение слота, или тоже самое иначе:

(ИМЯ ФРЕЙМА:

(имя 1-го слота: значение 1-го слота), (имя 2-го слота: значение 2-го слота),

…

(имя n-го слота: значение n-го слота).

Значением слота может быть практически что угодно (числа или математические соотношения, тексты на естественном языке или программы, правила вывода или ссылки на другие слоты данного фрейма). В качестве значения слота может выступать набор слотов более низкого уровня, что позволяет во фреймовых представлениях реализовать «принцип матрешки».

Рис. 73. Фреймовая модель структуры памяти человека

290