11.2. Введение в системы искусственного интеллекта

Помимо классических применений вычислительной техники, связанных с выполнением инженерных и экономических расчетов, разработкой автоматизированных систем управления, созданием информационно поисковых систем и т.д., сейчас успешно развивается направление, называемое «искусственный интеллект».

Искусственным интеллектом называют комплексное научное направление, которое объединяет математиков, лингвистов, психологов, инженеров и ставит своей целью создание программно-технических средств, позволяющих имитировать отдельные элементы творческого процесса; автоматизировать целенаправленное поведение роботов; обеспечивать диалоговое общение с компьютером пользователей на языке их предметной области, особенно в связи с проектами ЭВМ пятого и последующих поколений и широким распространением ПЭВМ; создавать системы, работа которых опирается на знания, формируемые экспертами (экспертные системы).

К задачам искусственного интеллекта относят задачи, которые определяют процесс поиска решения, а не процесс решения. Примерами таких задач являются задачи робототехники, доказательство теорем, машинный перевод текстов с одного языка на другой, планирование с учетом неполной информации, составление прогнозов, моделирование сложных процессов и явлений, игры (шахматы, шашки) и т.д.

Задачи искусственного интеллекта предполагают получение не точного результата, а чаще всего осредненного в статистическом, вероятностном смысле.

Наиболее известные направления развития искусственного интеллекта связаны с экспертными системами, базами знаний, нейронными сетями и нейрокомпьютерами, DM-системами.

11.2.1. Основы экспертных систем

В последние годы из общего направления «искусственный интеллект» выделилось направление, связанное с созданием экспертных систем, предназначенных для решения задач экспертного оценивания ситуаций в различных предметных областях. При построении экспертных систем основными являются вопросы: какие знания должны быть в них представлены и в какой форме? Структура знаний зависит от сферы их использования и может носить довольно сложный характер. Эта структура включает в себя различные факты из предметной области, взаимосвязи между ними, правила действий и т.д. Она также должна включать в себя и знания, касающиеся способа включения знаний в экспертную систему. Сложность и многообразие структур знаний вызвали к жизни несколько различных способов представления знаний, из которых следует выделить логическую модель, фреймовые и продукционные системы, семантические сети. Каждый способ представления обладает своими достоинствами и недостатками и тяготеет к определенной структуре знаний. В последние годы стали использоваться модели представления знаний, объединяющие указанные способы.

Системы, основанные на знаниях, – это системы программного обеспечения, основными структурными элементами которых являются база знаний и механизм логических выводов. В первую очередь к ним относятся экспертные системы, являющиеся мощным инструментом обработки интеллектуальной информации типа знаний.

Экспертная система – это интеллектуальная программа, способная делать логические выводы на основании знаний в конкретной предметной области и обеспечивающая решение специфических задач. Поэтому ее необходимо наделить функциями, позволяющими решать задачи, которые в отсутствие эксперта невозможно правильно решить. Следовательно, необходимым этапом в ее разработке является приобретение соответствующих знаний от эксперта. Перечислим требования к экспертным системам: использование знаний, связанных с конкретной предметной областью; приобретение знаний от эксперта; определение реальной и достаточно сложной задачи; наделение системы способностями эксперта.

На рис. 2.21 показана базовая структура экспертной системы, ниже перечислены функции, которые должны выполнять ее структурные элементы.

Во-первых, необходим механизм представления знаний в конкретной предметной области и управления ими. Для реализации этих функций используется механизм, называемый базой знаний (БЗ).

Во-вторых, необходим механизм, который на основании знаний, имеющихся в базе знаний, способен делать логические выводы. Этот механизм называется механизмом логических выводов.

В-третьих, необходим интерфейс для правильной передачи ответов пользователю. Механизмом, реализующим эту функцию, является пользовательский интерфейс.

В-четвертых, необходим механизм получения знаний от эксперта, поддержки базы знаний и дополнения ее при необходимости. Механизмом, реализующим эту функции, является модуль приобретения знаний.

В-пятых, необходим механизм, который способен не только давать заключение, но и представлять различные комментарии, прилагаемые к этому заключению, и объяснять его мотивы. В противном случае пользователю будет трудно понять заключение. Такое понимание необходимо, если заключение используется для консультации или оказания помощи при решении каких-либо вопросов. Механизм, реализующий эти функции, называется модулем советов и пояснений.

ЭС используют в здравоохранении, страховании, банковском деле и других областях, чтобы с помощью правил и объектов, накапливающих опыт, повысить качество принимаемых решений. Эта технология широко используется во многих бизнес-приложениях. Базы знаний встроены в наиболее современные крупные системы, например, в поисковые серверы, осуществляющие поиск в Internet.

Различают ЭС предметно-ориентированные и ЭС‑оболочки, предназначенные для наполнения любым предметным значением. Наиболее широко распространены ЭС, построенные на основе представления знаний в виде набора правил (rule-based), и на базе адаптивного подхода, основанного на обучении системы на примерах (case-based).

В продукционных экспертных системах логический вывод описывается большим числом правил (продукций) типа «ЕСЛИ условие ТО действие». Например:

_ «ЕСЛИ предельная цена > р ТО сделка не может быть заключена в данный момент»

– «ЕСЛИ сделка не может быть заключена в данный момент ТО совместное решение брокера с клиентом»

В ЭС, основанных на правилах, предметные знания представляются набором правил, которые проверяются через набор фактов или знаний о текущей ситуации. Когда часть ЕСЛИ правила удовлетворяет фактам, то действие, указанное в части ТО, выполняется.

Приведем пример описания процедуры логического вывода в виде системы правил о выборе метода учета затрат на производство (табл. 2.2).

При проверке условия, заданного в правиле, механизму логических выводов необходимо найти значения всех переменных и параметров, содержащихся в данном правиле. В приведенных правилах использованы данные следующих типов:

– ссылки к полям БД: p, x, y;

– вещественные переменные: PR, N;

– логические переменные: VPR, SN, PMB.

На рис. 2.22 приведена схема исполнения правила, вызывающего модификацию фактов в БЗ (добавление факта). Величины p (цена товара) и x, y (габаритные размеры товара) либо заранее вводятся в систему в качестве констант, либо выбираются из соответствующих полей БД, либо задаются пользователем или экспертом в процессе диалога. В этом случае часть ЕСЛИ представляет собой пропозициональную функцию, аргументы которой определяются на основе содержимого соответствующих полей БД или определены в БЗ. Если цена товара действительно оказалась выше заданной в базе данных величины p, то в базу знаний добавляется факт «Высокая цена товара», тем самым выполняется один шаг вывода. Аналогично выполняется добавление факта «Небольшие габаритные размеры».

Имеется возможность накопления нечетких знаний, которые хранятся в совокупности с фактором уверенности. Пример правил, использующих нечеткие переменные, приведен в табл. 2.3.

В результате выполнения одного из правил в БЗ добавится вывод о необходимости перехода к следующему варианту внедрения информационной системы, но с разными факторами уверенности. После выполнения других правил значение фактора уверенности может измениться. Его расчет осуществляется в соответствии с подходами, известными в нечеткой логике, например, по формуле

Р₀ = Р₁ + Р₂ – Р₁  Р₂,

где Р₁ – первоначальная вероятность истинности утверждения, хранимого в БЗ; Р₂ – вероятность истинности такого же утверждения, установленная исполнением нового правила; Р₀ – результатная вероятность истинности утверждения.