Основы экспертных систем

Экспертные системы (системы, основанные на знаниях) предназначены для решения задач экспертного оценивания ситуаций в различных предметных областях.

Экспертная система – это интеллектуальная программа, способная делать логические выводы на основании знаний в конкретной предметной области и обеспечивающая решение специфических задач.

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.

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.

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 ЭС, основанных на правилах, правила проверяются через набор фактов или знаний о текущей ситуации. Когда часть ЕСЛИ правила удовлетворяет фактам, то действие, указанное в части ТО выполняется. При проверке условия правила механизму логических выводов необходимо найти значения всех переменных и параметров, содержащихся в данном правиле. В ЭС имеется также возможность накопления нечетких знаний в совокупности с фактором уверенности.

Представление и использование нечетких знаний

Знания не всегда могут быть описаны точно, чаще встречаются «нечеткие» знания. Все нечеткости можно классифицировать следующим образом: недетерминированность выводов, многозначность, ненадежность, неполнота, нечеткость или неточность.

Недетерминированное управление выводом необходимо потому, что знания накапливаются фрагментарно, и нельзя заранее определить цепочку логических выводов, в которых они используются.

Многозначность интерпретации – обычное явление в таких случаях, как понимание естественных языков и распознавание изображений и речи. Для устранения многозначности часто используют более широкий контекст и семантические ограничения, также широко используется метод релаксации.

Ненадежные знания и выводы применяют в том случае, когда знания и факты трудно представить только двумя значениями – истина или ложь. Существуют знания, достоверность которых, например, 0,8. Такую ненадежность представляют часто с помощью использования коэффициентов уверенности, с помощью модификаций метода Байеса, нечеткой и вероятностной логик.

Примеров неполных знаний можно привести множество. Так можно перечислить все предметы, которые находятся в комнате, но того, чего в ней нет перечислить невозможно. Неполные знания изучают методами немонотонной логики.

Нечеткие множества и выводы используют при изучении нечетких множеств, т.е. множеств без уточнения их границ. Нечеткие выводы содержат множество правил, представленных как нечеткие множества. Для решения задач на нечетких множествах вводят функцию принадлежности.