2. Особливості побудови експертних систем та галузі їх використання.
Основою кожної експертної системи є широкий запас знань про конкретну проблемну галузь. У більшості випадків ці знання організовані як деяка сукупність правил, які дозволяють робити висновки на основі похідних даних або припущень.
Загалом ідеальна експертна система повинна мати такі властивості:
ЕС обмежена визначеною сферою експертизи;
компетентність ЕС, тобто рішення, які вона приймає, мають бути такого ж високого рівня, як і в експерта-фахівця;
здатність до міркувань при сумнівних даних на основі символьних перетворень з використанням окремих та загальних схем міркувань;
здатність вирішувати реальні завдання у межах визначеної предметної галузі та надавати пояснення прийнятим рішенням зрозумілим способом;
факти та механізм виводу чітко розмежені одне від одного (знання не кодуються у дедуктивних процедурах);
відкритість ЕС, тобто можливість нарощування системи;
ЕС базується на використанні правил і має здатність до переформулювання запитів та завдань;
здатність до метаміркувань (міркувань про свою роботу та структуру);
ЕС на виході надає чітку пораду;
ЕС повинна бути економічно вигідною.
Ці властивості характеризують експертні системи як деякий клас систем штучного інтелекту, у складі яких неодмінно присутні база знань та деяка схема міркувань, що має назву системи (машини) логічного виводу.
Такий підхід до конструювання інформаційних систем дозволяє перейти від традиційної інформаційної технології, при якій
ДАНІ + АЛГОРИТМ = ПРОГРАМА,
до нової архітектури, що реалізує співвідношення
ЗНАННЯ + ВИВІД = СИСТЕМА.
Структура ідеальної експертної системи подана на малюнку 2.
Ідеальна експертна система має у своєму складі п’ять головних компонентів, а саме: базу знань та систему логічного виводу, які складають ядро ЕС, інтерфейс з користувачем та модуль надбання (засвоєння) знань і модуль відображення та пояснення рішень.
Зауважимо, що наявність у складі ЕС модулів надбання знань і відображення та пояснення рішень визначає їх головну відміну від інших вирішуючих систем штучного інтелекту. Наприклад, від інтелектуальних комп’ютерних ігор ("Шахи", "Хрестики-нулики", "Го" та ін).
Функція модуля засвоєння (надбання) знань полягає у підтримці процесу здобуття знань з вузько спеціалізованої предметної галузі.
Під процесом здобуття знань звичайно розуміють процес передачі досвіду по вирішенню обумовленого класу завдань від джерела знань до програмної системи. Потенційними джерелами знань є експерти, спеціальна література з конкретної проблеми та особистий досвід користувача.
Звичайно, дані про предметну галузь мають уривчастий характер, слабко структуровані та погано формалізовані. Функції по передачі знань від джерела до експертної системи виконуються інженерами по знанням. Це найбільш вузьке місце при проектуванні ЕС. Робляться спроби автоматизації цього процесу. Одним з найбільш простих способів є організація роботи експерта з використанням опитово-відповідальної системи. Сьогодні вже створені програми, які здатні навчатися як фактичним знанням про предметну галузь, так і знанням про стратегії вирішення завдань. Однак, розв’язання задачі індуктивного виводу для узагальненого випадку автоматизованого формування бази знань, навіть теоретично поки що не знайдено.
База знань і машина логічного виводу. Ці два компоненти складають ядро експертної системи.
У базах знань розвинених ЕС, як правило, виділяють чотири типи знань: фактуальні (декларативні), процедурні, керуючі і метазнання.
Фактуальні знання (база фактів) являють собою інформацію про конкретні факти. Вона формується користувачем, який визначає, які факти слід вважати правдивими.
Процедурні знання збирають шляхом опитування експерта. Вони складають серцевину бази знань ЕС.
Керуючі знання являють собою деяку сукупність стратегій розв’язання завдань.
Метазнання - це знання ЕС про саму себе, про свою роботу, свою структуру, свою базу знань та схеми міркувань ("знання про знання"). Метазнання обумовлюють рівень компетентності ЕС та відіграють важливу роль у міркуваннях експерта (людини). Зауважимо, що у більшості сучасних ЕС метазнання або взагалі відсутні, або присутні у неявному вигляді.
Зазначимо, що вдосконалення, внесені розробниками у сучасні системи управління базами даних, дозволяють використовувати їх при створенні експертних систем. При цьому СУБД використовують не тільки як систему, яка забезпечує маніпулювання базою фактів, а навіть як інструментальні засоби побудови ЕС.
Машина (система) логічного виводу, використовуючи інформацію бази знань, генерує рекомендації по вирішенню похідного завдання.
Як вважають більшість фахівців, здатність до пояснення є однією з головних якостей, що присутня ЕС. Відображення проміжних та кінцевих результатів вирішення та пояснення користувачу дій системи виконує модуль відображення та пояснення вирішення. Звичайно система відповідає на запитання: "як?", "чому?", "які?". Наприклад, "яким чином одержано це рішення?", "як використовувалась вказана інформація?", "яке рішення прийнято по визначеному підзавданню?", "чому не використовувалась вказана інформація?", "чому не використовувалось вказане правило?", "які знання використані при отриманні відповіді?", "які співвідношення існують у базі знань?".
Форми відповіді можуть бути різноманітними:
текст на редуційованій природній мові у супроводі схем та малюнків;
зворотне розгортання дерева цілей (траси виводу) з визначенням цілей;
виклик працюючого правила або правила, пов’язаного з цією подією;
пошук в базі знань і подання правил, які є відповіддю на запитання.
Відзначимо, що найбільш переконливим для користувача є пояснення, що ґрунтується на фундаментальних принципах організації знань у предметній галузі, що розглядається. Однак реалізація пояснення такого рівня практично недоступна сучасним ЕС.
Взаємодія користувача з ЕС здійснюється завдяки інтерфейсу з користувачем. В інтерфейсі з користувачем відбувається перетворення (трансляція) речень природної мови (або іншої проблемно-орієнтованої мови непроцедурного типу) на внутрішню мову подання знань цієї експертної системи.
Ознайомившись з структурою експертних систем, розглянемо галузі їх використання. У літературі з питань створення та використання ЕС міститься досить повний перелік практичних реалізацій цих систем у найрізноманітніших галузях людської ді-яльності. Так, у книзі "Построение экспертных систем" (под ред. Ф.Хейес-Рота, Д.Уотермана, Д.Ленана, М., Мир, 1987) вказано, що ЕС вже використовуються у таких галузях:
інтерпретація, тобто аналіз даних, за якими ведеться спостереження, з метою визначення їх змісту. Наприклад, визначення хімічних структур при проведенні масспектрометричних досліджень;
прогноз - прогнозування перебігу подій у майбутньому на основі моделі минулого та сучасного або визначення ймовірних наслідків з визначеної ситуації при наявності, як правило, неповної інформації;
діагностика - процес пошуку несправностей у системі, визначення стадії захворювання живого організму, що заснований на інтерпретації даних (наприклад, зняття ЕКГ при медичному обстеженні);
моніторинг, тобто порівняння спостережень з критичними точками плану та повідомленням при відхиленні від плану;
планування - побудова конфігурацій об’єктів у відповідності заданим вимогам та обмеженням. Наприклад, проектування схем ЕОМ;
налагодження, тобто подання рекомендацій по усуненню несправностей;
ремонт - виконання плану організації виправлення деякого виявленого дефекту;
управління, тобто керівництво поведінкою деякої системи. Наприклад, керівництво повітряним або наземним транспортом.
Розглянемо детальніше системи підтримки прийняття рішень (СППР).
Людина у своїй практичній діяльності використовує різноманітні інтелектуальні функції, такі, як інтуїція, творчість, уява, асоціація, індукція, дедукція, обчислення, пошук та ін. Зрозуміло, що вони закладені в людині, але ніхто не знає, яким саме чином ці функції реалізуються у її мозку.
Для вирішення проблеми необхідні різноманітні функції. Але на сьогодні, функцією самого загального виду, що допускає її машинне втілення, є дедукція. І саме це встановлює межі інтелектуальної обробки знань за допомогою електронно-обчислювальної техніки у поточній ситуації.
Механізм дедуктивних висновків при обробці знань надає лише можливість повторного використання одержаної у минулому інформації. І ця обставина має найважливіший зміст в проектуванні інтелектуальної обробки інформації.
Зрозуміло, що при використанні такого підходу система обробки знань приймає форму системи підтримки всього процесу прийняття рішення з вибраної проблеми. При цьому на людину покладено процес побудови похідної моделі, а ЕОМ провадить її аналіз. За результатами цього аналізу корегується похідна модель.
Таким чином, системи підтримки прийняття рішення призначені для того, щоб ефективно допомагати діяльності людини і у підсумку отримати вирішення проблеми, причому за якомога коротший термін.
Системи підтримки прийняття рішень з'явилися та широко розповсюдились у галузях, пов'язаних з фінансово-економічною діяльністю. Головними засобами подання знань та отримання рішень таких систем є "електронні таблиці" або, як їх ще називають, таблиці, які розповсюджуються. Залежності, які виражають за допомогою "електронних таблиць", дозволяють будувати робочу модель прикладної ситуації та проводити її аналіз типу: "що буде, якщо...", тобто, що буде, якщо деякі значення (змінні) досліджуваної моделі приймуть певні значення. Прикладом інструментальної системи, що базується на "електронних таблицях", може бути відома з курсу "Основи інформатики та обчислювальної техніки" програма "Supercalc".
Системи підтримки прийняття рішень, які реалізують проведення аналізу типу "що буде, якщо...", а також більш глибокий вид моделювання "який найкращій варіант" знайшли широке застосування у різноманітних галузях людської діяльності. Будучи реалізацією експертних систем, СППР успішно використовуються і при вирішені проблем у галузі права.
3. Проблеми та практика використання експертних систем у правовій діяльності та при розслідуванні злочинів.
Ідеї кібернетики, математичних методів і обчислювальної техніки у правознавстві та практичній діяльності юридичних установ давно вийшли за межі експериментального пошуку. Свідченням тому є, зокрема, той факт, що вже створені та продовжують вдало функціонувати обчислювальні центри та автоматизовані робочі місця практичних працівників у системі Міністерства юстиції, Прокуратури, МВС. Крім того, діє широка мережа автоматизованих систем, що обслуговують державно-правову діяльність.
Теоретичні основи створення та розвитку правових кібернетичних систем визначає достатньо молода (у галузі юридичних наук) правова кібернетика. Правову кібернетику можна визначити як комплексну галузь знань про закономірності, умови та особливості використання математичних методів, ідей та технічних засобів кібернетики з метою оптимізації та підвищення ефективності інформаційних процесів при вирішені конкретних юридичних завдань, а також функціонування інформаційних систем правового змісту та керування ними.
Це визначення, у поєднанні з контрольним списком характеристик придатності підходу з використанням знань наведеними у таблиці 1, дозволяє зробити висновок щодо широких практичних можливостей використання баз знань і, в першу чергу, експертних систем у галузі права. При цьому, однак, неодмінно слід зауважити, що впровадження в правову діяльність кібернетичних систем породжує проблему: "людина чи машина?". Ця проблема може бути розглянута у двох аспектах: загальному та спеціальному.
У загальному аспекті питання виглядає таким чином: чи може машина замінити людину взагалі, зробити непотрібними її здібності, емоції, розум, волю, зайняти її місце у суспільстві.
Спеціальний аспект проблеми виглядає як питання про те, чи може машина виконувати якісь функції людини краще ніж вона сама, справлятися з якимсь різновидом людської діяльності більш якісно, швидко та безпомилково. Саме на цей аспект проблеми необхідно звертати увагу при вирішені питання про можливість застосування експертних систем у галузі права взагалі та у криміналістичній діяльності зокрема.
За похідне ми приймемо положення академіка В.М.Глушкова. Він пише: "... в чисто техническом аспекте возможность для машины превзойти своего создателя сегодня не вызывает сомнений. Более того, принципиально ясна техническая возможность построения систем машин, которые могли бы не только решать отдельные интеллектуальные задачи, но и осуществлять комплексную автоматизацию таких высоко интеллектуальных процессов, как развитие науки и техники".
З наведеного можливо зробити висновок, що немає принципових перешкод для повного моделювання діяльності людини-експерта та автоматизації цієї діяльності з урахуванням того, що всі похідні, дослідницькі та оцінювальні процедури експертного дослідження машина зможе виконувати швидше та й більш якісно і об’єктивно, ніж експерт-людина.
Однак зауважимо, що на поточний момент більшість експертних систем, які функціонують у галузі права, репрезентовані системами підтримки прийняття рішення. Таким чином, процес прийняття кінцевого рішення при вирішені завдання покладено на експерта - людину, а ЕОМ є лише інструментом пошуку оптимального результату.
Розглянемо докладніше питання використання експертних систем, зокрема систем підтримки прийняття рішень при розслідуванні злочинів.
Відомо, що головною фігурою у діяльності по розкриттю та розслідуванню злочину є слідчий. На нього закон покладає і йому надане право порушити кримінальну справу та організувати її розслідування. Для забезпечення цього він може: провадити огляд місця події; викликати та допитувати свідків; призначати експертизи; надавати органам дізнання доручення та вказівки про проведення пошукових та слідчих дій. Він має право затримати й допитати особу, яка є підозрюваною у скоєнні злочину; провести обшук та вилучення, огляд, відтворення обставин та обстановки події; отримати від обвинуваченого або підозрюваного зразки почерку; здійснити інші дії, спрямовані на виявлення криміналістично вагомої інформації. Якщо ця інформація потребує виявлення та дешифрування, а також наукового пояснення, слідчий звертається за допомогою до спеціалістів-експертів.
Зрозуміло, що головне призначення криміналістичних систем, що ґрунтуються на знаннях, - надання допомоги співробітникам правоохоронних органів у розслідуванні злочинів. Таким чином, головними завданнями, для вирішення яких мають використовуватись такі системи, є визначення можливих напрямків розслідування (формування версій про подію, з урахуванням різних джерел отримання інформації); вибір найбільш ймовірних напрямків і подання користувачу рекомендацій щодо подальших дій (призначення експертиз, проведення оперативно-пошукових заходів, перевірчі та слідчі дії і т. ін.). Загалом процес розслідування злочинів з використанням криміналістичних систем знань являє собою ряд послідовних етапів, кожен з яких складається з таких дій:
усвідомлення похідної інформації;
аналіз одержаної інформації;
визначення напрямку розслідування;
вибір найбільш значущих напрямків;
визначення сукупності подальших заходів.
Таким чином, зміст діяльності слідчого під час побудови ним інформаційної моделі злочину, пов’язаний з виявленням, дослідженням, збиранням, оцінюванням, збереженням та використанням криміналістичної інформації.
Щодо питання, яке розглядається, важливо підкреслити, що у структурі рішень, які приймає слідчий, можна виділити якби дві стадії: перша - інформаційне забезпечення рішення, що приймається (виявлення джерел інформації, її виділення та закріплення); друга - логічна переробка інформації, визначення її причетності до справи та достатності для прийняття рішень.
Очевидно, що на першій стадії прийняття слідчим рішень, спрямованих, перш за все, на визначення осіб, можливо причетних до скоєного злочину, найбільш ефективним є використання експертних систем, які реалізують пошукову форму їх використання.
Прикладами використання систем підтримки прийняття рішень при розслідуванні злочинів є практично всі системи автоматизації дактилоскопічних обліків ("Дакто", "Дермолог", DEX, “Сонда” та ін.), а також системи розпізнавання голосу людини, ідентифікації аудіо- та відеопристроїв, балістичних експертиз та багато інших систем, що базуються на знаннях експертів.
У навчальному посібнику "Компьютерные технологии в юридической деятельности" (под ред. Н.Полевого и В.Крылова, изд-во БЕК.М.,1994) описані принципи побудови та використання у практичній діяльності слідчих та працівників дізнання консультаційних систем, що базуються на знаннях. Вказаним терміном автори підручника позначають ні що інше, як різновид експертних систем, а саме системи підтримки прийняття рішень.
Сьогодні у системі МВС використовуються дві основні методики побудови таких систем:
засновані на статистичному аналізі слідчих ситуацій;
засновані на зборі, класифікації та використанні узагальненого досвіду розслідування у вигляді знань окремих професіоналів.
Методики, засновані на статистичному аналізі слідчих ситуацій, дають добрі результати при визначені закономірностей у зв’язках між злочинною подією, особою злочинця, місцем та засобами скоєння злочину, особливостями злочинної поведінки. Нажаль, процедура формування похідних даних бази знань на основі стандартних карток обліку злочинів, яка широко використовується, недостатньо враховує рухомість злочинних проявів. Це приводить до значних втрат інформації, оскільки ознаки, суттєві для окремих категорій злочинних зазіхань, можуть зовсім не потрапити до розгляду.
Другий тип методик відповідає розглянутому нами класичному способу побудови експертних систем.
Таким чином, ми ознайомилися з історією виникнення та розвитку експертних систем; визначили їх призначення, особливості побудови та галузі можливого та практичного використання; зробили огляд проблем, які пов'язані з упровадженням експертних систем та систем підтримки прийняття рішень у правовій галузі взагалі та при розкритті і розслідуванні злочинів, зокрема.