11.7. Робота користувача з експертною системою

Усі питання, що виникають у користувача при роботі з ЕС, можна поділити на групи:

– пов’язані з процесом розв’язання проблеми (як і чому? з якою метою? з яким результатом? з чого це випливає?);

– стосовно значень термінів, які прийняті в ЕС при організації діалогу з користувачем;

– про причини виникнення певного запитання в процесі експертизи;

– стосовно наслідків, які випливають із даної користувачем відповіді на запитання, поставлене системою (наприклад, що буде, коли?).

Для того щоб ЕС змогла швидко і якісно пояснювати правильність своїх відповідей, а також доцільність поставлених запитань, вона записує в робочій пам’яті хід своїх міркувань та їх послідовність.

Факт можливості дістати пояснення породжує у користувача ілюзію, нібито система перевіряє відповідність правил, що записані в базі знань. Між тим ЕС пояснює свої дії виключно лише видаючи інформацію про хід процесу міркувань. Наприклад, в ЕС продукційного типу пояснення записуються в базу знань за допомогою модифікованого правила продукції:

Правило ХХХ ЯКЩО < умова >

ТО < висновок чи дія >

ТОМУ ЩО < обґрунтування >

Обґрунтування – це текст, який отримає користувач після використання даного правила, маючи намір дістати пояснення.

Блок спілкування з користувачем або інтерфейс користувача необхідний для організації діалогової взаємодії між системою і користувачем. Основна вимога до цього блока – це реалізація спілкування з користувачем на природній мові.

Блок нагромадження знань ЕС здебільшого будується для таких предметних областей, які характеризуються необхідністю актуалізації та розширення знань. З огляду на це ЕС містить блок, який дає змогу експерту завантажувати базу знань, а також виконувати редагування знань, які зібрані в базі.

Великий інтерес викликає питання автоматизованого набуття знань експертною системою (актуалізація, коригування та розширення знань ЕС через процес навчання). Проблему навчання можна звести до створення нових понять та правил на базі існуючих, а також підключення їх в базу знань таким чином, аби не було суперечливості знань. Отже, функція цього блока полягає у формуванні емпіричних залежностей з неповних знань, тобто здобуття знань першого роду на основі знань другого роду. Але через складність реалізації цих функцій не всі ЕС мають у своєму складі такий блок.

Створення нових знань повністю автоматизованим способом – це дуже проблематичний підхід, запропонований занадто захопленими прибічниками штучного інтелекту. Будь-які знання (особливо нові) потребують дуже ретельної перевірки, яку можуть виконати лише експерти.

Основані на знаннях (інтелектуальні) або експертні комп’ютерні системи мають здатність показати вражаючу і інколи приголомшуючу продуктивність розглядати проблеми у порівнянні з людиною, яка не є експертом. Вони роблять так за допомогою використання великих баз знань, об’єднаних із спеціалізованим евристичним доведенням. Цей підхід привів до розробки систем, які пропонують наступні переваги:

– у деяких класах проблем, наприклад діагностика дефектів, терапія тощо, вони можуть вирішувати певні проблеми інколи краще ніж людина;

– надати організаціям можливість краще керувати важливими активами управління, професійними знаннями і експертизою;

– можуть відповідати простим запитам про їхні знання і досвід, і про те, як вони розв’язують проблеми;

– можуть функціонувати з недосконалою і сумнівною інформацією;

– можуть використовувати тренувальні інструментальні засоби, для вдосконалення людського досвіду;

– проводять відносно недорого експертизу;

– можуть бути легко зміненими, щоб відобразити зміни в робочому оточенні, наприклад політиці, правилах і діючих процедурах.

– не сплять, не хворіють, не тікають або не інтегруються з іншими компаніями.

Однак експертні системи на даний момент мають багато обмежень. Вони зазвичай працюють тільки у вузько визначених проблемних доменах, і їхній рівень розуміння середовища, у якому вони працюють, є до певної міри поверховим. Ці системи досі не мають ”здорового глузду”, як засоби вони зазвичай не можуть розмірковувати про проблему багатократними шляхами або на багатократних рівнях. Вони не знають те, що вони не знають щось, що відноситься до проблеми; вони можуть спробувати розв’язати проблеми, навіть коли їх знання і метод мислення є очевидно невідповідними, і вони не зможуть повідомити користувача-людину про цей факт. Вони не можуть глибоко знати логіку правил або достовірності правил, які зберігаються у їх базах знань, і вони не знають, коли доцільно порушити правила. Вони не можуть самонавчатися.

Є проблеми продуктивності щодо тривалості відповіді у багатьох системах.

З метою вирішення проблеми продуктивності були створені спеціалізовані машини і мови для використання в експертних системах (наприклад, LISP машини). Однак, ці апаратні засоби і програмне забезпечення виявились важкими, щоб їх можна було інтегрувати з існуючими корпоративними системами, і продавці цієї технології зазнають серйозних проблем з реалізацією.

Експертні системи можуть бути дорогими і ризикованими. Навіть коли спеціалізованих апаратних засобів і програмного забезпечення не потребується, дистиляція людського досвіду, його кодування і збереження в базах знань для використання в експертних системах може вимагати значних витрат часу і бути трудомісткою.

Незважаючи на ці обмеження, ця технологія є конкурентоспроможною і ними вже користується багато корпорацій. Наприклад, компанія DuPont має понад 600 діючих експертних систем і таким чином щорічно заощаджує сотні мільйонів дол. США. Іншим прикладом може слугувати експертна система дозволу про видачу кредитів, що використовується American Express (the Credit Authorizer’s Assistant – асистент того, хто надає кредитний дозвіл). Ця система ідентифікує ризики між більш ніж 23 млн. держателів кредитних карток. Корпорація Lend Lease, одна з найбільших Австралійських будівельних компаній, збудувала експертну систему, яка використовується, для оцінювання дійсного часу конструювання великих розроблюваних проектів. Розробила і розгорнула багато експертних систем British Petroleum (Британська нафта).

Перспективним шляхом удосконалення та подальшого розвитку експертних систем є створення інструментальних засобів, що базуються на спільному використанні різних моделей представлення знань: продукційних, семантичних, фреймів і логічних моделей. Всі ці моделі є математичним засобом побудови перспективних інтелектуальних автоматизованих систем обробки інформації і управління.

1 Перцептро́н, або персептро́н, – математична та комп'ютерна модель сприйняття інформації мозком (кібернетична модель мозку), запропонована Френком Розенблатом в 1957 р. і реалізована у вигляді електронної машини ”Марк-1”. У 1960 р. перцептрон став однією з перших моделей нейромереж , а ”Марк-1” – першим у світі нейрокомп'ютером. Незважаючи на свою простоту, перцептрон здатний навчатися і вирішувати досить складні завдання.

398