5. Определение последовательности состояний для предъявления эксперту в процессе классификации

 Как было показано выше, классификация состояния объекта исследования позволяет косвенно классифицировать ряд других состояний (либо уменьшить неопределенность). Это дает возможность построить полную классификацию, т.е. решить поставленную задачу, предъявив эксперту сравнительно небольшое число состояний. Для реализации такой возможности необходимо найти стратегию выбора очередного состояния для предъявления эксперту.

Система КЛАСС , а также последовавшие за ней системы ДИФКЛАСС , СТЕПКЛАС и КЛАНШ отличаются друг от друга стратегией предъявления состояний эксперту.

Так, в системе КЛАСС осуществляется выбор наиболее информативного состояния. Предполагается, что все возможные ответы эксперта для любого, неизвестного состояния объекта равновероятны. Для каждого неклассифицированного состояния вычисляются количества косвенно классифицируемых состояний при всех возможных ответах эксперта. Далее подсчитывается среднее количество, которое и характеризует информативность предъявления конкретного вектора. Компьютер осуществляет перебор всех неквалифицированных на данный момент состояний и выбирает то, для которого ожидаемое среднее количество косвенно классифицированных состояний максимально.

Существенно более эффективными (по числу обращений к эксперту) являются методы ДИФКЛАСС и КЛАНШ.

6. Трудоемкость построения баз знаний

 Компьютерные системы построения полных и непротиворечивых баз знаний ставят эксперту вопрос за вопросом до тех пор, пока все состояния (все векторы ai из множества А) не будут отнесены к одному или нескольким классам. Для создания таких баз знаний требуется от одной—двух недель до одного-двух месяцев работы с опытным экспертом (в зависимости от объема базы знаний).

Приведем конкретные данные по системе КЛАСС. Для создания базы знаний по семи коматозным заболеваниям (классифицируются 2304 состояния пациента) потребовалось 12 ч работы эксперта, по 14 болезням, начинающимся с болевого синдрома в области живота (около 20 тыс. состояний), — 60 ч. Разработка первой базы знаний заняла примерно семь дней, второй — около месяца.

Система ДИФКЛАСС позволяет классифицировать в среднем до 700 состояний объекта исследования в час .

7. Проверка качества баз знаний

 Основным критерием проверки построенных баз знаний является степень совпадения решений, содержащихся в ней и принятых экспертом, который участвовал в создании этой базы знаний. Для небольших по размеру задач (порядка 100 диагностических правил) эксперт мог оценить каждую ситуацию. Через некоторое время (две — три недели) он строил ту же базу знаний с помощью разработанной человекомашинной системы. Появлялась возможность сравнить ответы экспертов, полученные двумя разными способами.

Эксперты, решавшие задачу с малым числом противоречий, т.е. имевшие четкие правила, показали почти полное совпадение своих решений. Для больших баз знаний сравнение проводилось по отдельным ситуациям; совпадение было практически полным. Следовательно, созданная база знаний служит хорошим отражением личности эксперта, его «двойником» в определенной предметной области.

Гельфанд И.М. идея «диагностических игр», человекомашинная процедура АРИАДНА.

Как определить перечень признаков, адекватно представляющий состояние объекта исследования? Для этой цели разработана человекомашинная процедура АРИАДНА, которая имитирует диалог по телефону между неопытным специалистом, находящимся рядом с объектом исследования и проводящим измерения, и экспертом, находящимся далеко от объекта. Диалог строится таким образом, что компьютер задает вопросы эксперту, использует его ответы для постановки новых вопросов и т.д. Приведем пример такого диалога.

Компьютер: Вас просят помочь в постановке диагноза. Начинающий врач сообщает вам по телефону, что пациент без сознания и что подозревается диабетическая кома. Каким будет ваш первый вопрос?

Эксперт: Начало заболевания — постепенное или внезапное?

Компьютер: А что более характерно для диабетической комы?

Эксперт: Постепенное начало.

Компьютер: Предположим, что начало было постепенное. Каким будет ваш следующий вопрос?

В ходе диалога эксперт называет признаки и их возможные значения, упорядочивает признаки по характерности для данного заболевания, решая привычные для себя задачи постановки диагноза.

В системе АРИАДНА использованы идеи «диагностических игр», предложенные И.М. Гельфандом .

Итак, при подобном подходе процедуры структуризации могут быть представлены следующим образом. Компьютер ставит вопросы эксперту, приглашая его классифицировать объект исследования и называть один за другим признаки, используемые при классификации и их возможные значения для каждого класса решений.

Результатом этого этапа является совокупность признаков, необходимая для полной классификации объектов определенного типа, все возможные значения этих признаков, а также перечень классов решений.

Экспертные системы (Expert Systems) и нейронные сети (Neural Networks).

В 80-х годах ХХ века в число известных принципов программирования вошло новое направление разработок информационных систем, которое получило название искусственных нейронных систем. Это направление было основано на открытии одного из способов обработки информации мозгом человека, согласно которому процессы решения задач моделируются путем обучения моделей нейронов, образующих сеть. Указанный подход иногда вспоминают под названием коннекционизма (от английского слова connection — соединение).  Фундаментальное понятие нейронных сетей обусловливает структура системы обработки информации, состоящий из большого количества элементов обработки данных — нейронов, которые сообщаются связями — синапсами. Конфигурация нейронной сети настраивается на реализацию конкретного приложения с помощью процесса усвоения знаний, т.е. обучение. При этом, подобно биологическим системам, обучение предусматривает внесение изменений в характеристики синаптических соединений между нейронами. Предусмотрено много способов классификации искусственных нейронных систем. Наиболее полезна, с практической точки зрения, классификационный признак заключается в наличии или ненаявности необходимости применять для такой системы учебную совокупность данных. Если учебная совокупность предусмотрена, то искусственная нейронная система называется основанной на контролируемой модели. В противном случае модель считается неконтролируемой. Пример нейронной сети

Хорошим примером контролируемой искусственной нейронной системы является система, используемая для распознавания образов. В отличие от нее, в случаях, когда точно не известно какими должны быть исходные данные, искусственная нейронная система может быть применена как классификатор для группировки входных данных. Например, распознавание больных и здоровых людей в случае обнаружения вспышек заболевания. Классификация нейронных сетей

Нейронные сети также могут классифицироваться по следующим характеристикам:

• способа соединения нейронов;

• применение вычислений, выполняющих нейроны;

• способа передачи шаблонов активности по сети;

• способа и скорости обучения.

Нейронные сети применялись для решения практических задач всех типов. Основным преимуществом нейронных сетей является то, что они позволяют решать задачи, которые оказываются слишком сложными для обычных технологий. Имеются в виду задачи, которые не имеют алгоритмического решения или, для которых алгоритмическое решение является очень сложным, чтобы его можно было определить аналитически. Собственно говоря, нейронные сети хорошо подходят для решения задач, которые успешно решают люди, но не могут объяснить, как они это делают. Задачи нейронных сетей

К числу задач нейронных систем относятся задачи распознавания образов и прогнозирования событий, в частности, нахождение тенденции изменения данных. В нынешние времена искусственный интеллект на основе нейронных сетей широко используется при анализе скрытых закономерностей для выявления в исторических данных таких шаблонов, которыми можно руководствоваться в будущем. Например, анализ скрытых закономерностей в данных может применяться в банковском учреждении для определения характеристик потенциального злоумышленника среди заемщиков. Кроме того, нейронные сети используются, как интерфейсная часть в экспертных системах, обрабатывающих большие объемы входных данных от датчиков, и от которых требуется реакция в реальном времени. В частности, в 1980-х годах нейронная сеть, которая эксплуатировалась на обычном микрокомпьютере, позволила получить очень качественное решение задачи коммивояжера за 0,1 секунды. Этот результат намного превышал время получения оптимального решения с применением традиционной алгоритмической системы на аналогичном оборудовании, который составлял, в то,времяодинчас. Следует отметить, что задача коммивояжера имеет важное практическое значение, поскольку является классической задачей, которую приходится решать при маршрутизации пакетов в системе передачи данных. Задача поиска оптимальных маршрутов является важным средством минимизации времени, поскольку от этого зависят эффективность и быстродействие, как при маршрутизации пакетов данных через Интернет, так и при доставке посылок почтой многочисленным адресатам.