Интеллектуальные технологии / Конспект лекций / AILect15

Основные требования к проектированию экспертных систем. Критерии оправданности использования экспертных систем. Схема технологии разработки экспертных систем. Проблемы и перспективы использования экспертных систем.

Этапы разработки экспертных систем

Разработка интеллектуальных систем отличается от создания обычного программ­ного продукта. Опыт разработки ранних экспертных систем показал, что исполь­зование традиционной технологии программирования либо чрезмерно затягива­ет процесс разработки, либо вообще приводит к отрицательному результату. Это связано главным образом с необходимостью модифицировать принципы и способы построения по мере того, как увеличивается знание разработчиков о проблемной области. В настоящее время сложилась последовательность действий при разработке эк­спертных систем. Она включает следующие этапы: идентификация, получение знаний, концептуализация, формализация, выполнение, тестирование и опытная эксплуатация.

Рис.1 Технология разработки экспертных систем

Идентификация

Этап идентификации связан прежде всего с осмыслением тех задач, которые предстоит решать будущей экспертной системе, и формированием требований к ней. На этом этапе планируется ход разработки прототипа системы, определя­ются источники знаний (книги, эксперты, методики), цели (распространение опыта, автоматизация рутинных действий), классы решаемых задач и т. д. Ре­зультатом этапа идентификации является ответ на вопрос, что надо сделать и какие ресурсы необходимо задействовать.

Получение знаний

При решении пррблемы получения знаний выделяют три стратегии: приобрете­ние знаний, извлечение знаний и обнаружение знаний.

Под приобретением (acquisition) знаний понимается способ автоматизированного наполнения базы знаний посредством диалога эксперта и специальной програм­мы. Автоматизированные средства приобретения знаний получают готовые фраг­менты знаний в соответствии со структурами, заложенными разработчиками систем. Большинство таких инструментальных средств ориентировано на конк­ретные экспертные системы с жестко обозначенной предметной областью и мо­делью представления знаний. Например, система TEIRESIAS [6] предназначена

для пополнения базы знаний системы MYCIN или ее дочерних ветвей, постро­енных на оболочке EMYCIN [8] в области медицинской диагностики с исполь­зованием продукционной модели представления знаний. При попытке исполь­зования систем приобретения знаний в других областях разработчикам нередко приходится сталкиваться со следующими трудностями:

О неудачный способ приобретения, не совпадающий со структурой знаний в данной области;

О неадекватная модель представления знаний;

О отсутствие целостной системы знаний в результате приобретения только «фраг­ментов»;

О упрощение и уплощение «картины мира» и пр.

Извлечением (elicitation) знаний называют процедуру взаимодействия инженера по знаниям с источником знаний (экспертом, специальной литературой и др.) без использования вычислительной техники. Это длительная и трудоемкая про­цедура, в которой инженеру по знаниям, владеющему методами когнитивной психологии, системного анализа, математической логики и пр., нужно воссоздать модель предметной области, используемой экспертами для принятия решений.

Актуальность задачи извлечения знаний при разработке интеллектуальных сис­тем обусловлена следующими причинами. Во-первых, значительная часть зна­ний эксперта является результатом многочисленных наслоений, ступеней опы­та, и эксперт нередко не способен самостоятельно проанализировать все детали в цепи своих умозаключений. Во-вторых, диалог инженера по знаниям и экспер­та служит наиболее естественной формой «раскручивания» лабиринтов памяти эксперта, в которых хранятся знания, часто носящие невербальный характер. И в-третьих, многочисленные причинно-следственные связи реальной предмет­ной области образуют сложную систему, скелет которой иногда более доступен для восприятия аналитика, владеющего системной методологией и не обреме­ненного знанием большого количества подробностей.

Термины «обнаружение знаний» (knowledge discovery), а также Data Mining свя­зывают с созданием компьютерных систем, реализующих методы автоматичес­кого получения знания. На сегодняшний день это наиболее перспективное на­правление инженерии знаний, предполагающее, что в результате автоматизации процесса обучения система «сможет» самостоятельно раскрыть закономерности предметной области и сформировать необходимые знания на основе имеющего­ся эмпирического материала (баз данных). В настоящее время специалистам стало ясно, что инженер по знаниям с помощью одного лишь диалога с экспертом в какой-то конкретной области не способен добыть все нужные для разработки интеллектуальной системы сведения. Требуется еще и множество примеров, на которых удастся обучить машину [3].

Концептуализация

На этапе концептуализации проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач. Этот этап завершается созданием модели предметной области, включающей основные концепты и отношения. Модель представляется в виде графа, таблицы, диаграммы или текста.

Формализация

На этапе формализации все ключевые понятия и отношения выражаются на некотором формальном языке, который выбирается из числа уже существующих либо создается заново. Другими словами, на данном этапе определяются состав средств и способы представления декларативных и процедурных знаний, осуще­ствляется это представление, и в итоге создается описание решения задачи экс­пертной системы на выбранном формальном языке.

Выполнение (реализация)

На этапе выполнения создается один или несколько реально работающих прото­типов экспертной системы. Для ускорения этого процесса в настоящее время широко применяются различные инструментальные средства, характеристика которым дается ниже.

Тестирование

На данном этапе оценивается и проверяется работа программы-прототипа с це­лью приведения ее в соответствие с реальными запросами пользователей. Про­тотип проверяется по следующим основным позициям:

О удобство и адекватность интерфейсов ввода/вывода (характер вопросов в ди­алоге, связность выводимого текста результата и др.);

О эффективность стратегии управления (порядок перебора, использование не­четкого вывода и т. д.);

О корректность базы знаний (полнота и непротиворечивость правил).

Задача стадии тестирования — выявление ошибок и выработка рекомендаций по доводке прототипа экспертной системы до промышленного образца.

Опытная эксплуатация

На этапе опытной эксплуатации проверяется пригодность экспертной системы для конечного пользователя. Пригодность определяется в основном удобством и полезностью разработки. Под полезностью понимается способность эксперт­ной системы определять в ходе диалога потребности пользователя, выявлять и

устранять причины неудач в работе, а также удовлетворять указанные потреб­ности пользователя (решать поставленные задачи). В свою очередь, удобство работы подразумевает естественность взаимодействия с экспертной системой, гибкость (способность системы настраиваться на различных пользователей, а так­же учитывать изменения в квалификации одного и того же пользователя) и ус­тойчивость системы к ошибкам (способность не выходить из строя при ошибоч­ных действиях пользователя).

После успешного завершения этапа опытной эксплуатации экспертная система классифицируется как коммерческая система, пригодная не только для собствен­ного использования, но и для продажи различным потребителям.

В ходе разработки экспертной системы всегда осуществляется ее модификация. Выделяют следующие виды такой модификации: переформулирование понятий и требования, переконструирование представления знаний в системе и усовер­шенствование прототипа (см. рис. П.20). Усовершенствование прототипа произ­водится в процессе циклического прохождения через этапы выполнения и тес­тирования для отладки правил и процедур вывода. Циклы повторяются до тех пор, пока система не будет вести себя ожидаемым образом. Изменения, осуще­ствляемые при усовершенствовании, зависят от выбранного способа представ­ления знаний и класса решаемых задач. Если в процессе усовершенствования желаемое поведение не достигается, то производят более серьезные модифика­ции архитектуры системы и используемой базы знаний.

Возврат от этапа тестирования на этап формализации приводит к пересмотру ранее выбранного способа представления знаний. Данный цикл называют пере­конструированием. Если возникшие проблемы еще более серьезны, то после не­удачи на этапе тестирования может потребоваться возврат на этапы концептуа­лизации и даже идентификации. В этом случае речь идет о переформулировании системы понятий, метапонятий и семантических отношений, то есть о проекти­ровании всей системы заново.