9. Рекомендации по разработке экспертных систем

Разработка экспертной системы требует большой организованности и внимания к мелочам. Требования, естественно, зависят от размера и сложно­сти разрабатываемой экспертной системы. Если экспертная система, которую вы хотите создать, в конечном счете может содержать сотни продукционных правил, то трудно определить эффект от добавления дополнительных правил. В Турбо-Прологе продукционные правила помещаются в программу, и, следо­вательно, размер програмы по мере добавления правил растет. Число правил ограничено размерами памяти. При ее ограниченности использование системы на правилах становится проблематичным. В то же время в системе, базиру­ющейся на логике, где база знаний находится в файле на диске, ограниче­ния на размеры базы знаний не накладываются. Поэтому система, основан­ная на логике, предпочтительнее, если размер памяти является существенным.

В то же время если известно, что экспертная система будет содержать не более нескольких сотен правил, то использование системы, базирующейся на правилах, более предпочтительно. Продукционные правила почти не зави­сят друг от друга, поэтому создание и тестирование такой экспертной систе­мы проще. Просто осуществляется и изменение правил, которое проводится с целью изучить вызываемый эффект. В системах, базирующихся на логике, изменение параметров внутри базы знаний должно производиться с большей осторожностью, так как изменения менее заметны, а результат может оказаться разрушительным и восстановление - затруднительным.

Если эффективность является главным требованием к разрабатываемой экспертной системе, то можно выбрать либо логическую систему, использующую только оперативную память, либо систему, базирующуюся на правилах, - обе системы будут работать хорошо. Однако если экспертная си­стема должна содержать большую базу знаний, то у разработчика имеется единственный вариант - логическая система, находящаяся на диске.

После того как выбор типа системы сделан и тщательно изучены дан­ные, которые войдут в базу знаний, можно начать проектировать базу зна­ний, содержащую специфицированные функции и обладающую необходи­мыми свойствами.

Следующим шагом должна быть разработка структурной схемы экспертной системы. Это поможет сконструировать моду­ли, составляющие систему. Затем можно приступить к написанию програм­мы, исходя из диаграммы потоков данных и структурной схемы. После за­вершения программирования необходимо проверить результаты с помощью человека-эксперта, участвующего в проекте.

Программа для идентификации животного, рассматриваемая в следующем разделе, используется для иллюстрации методов построения систем, основанных на правилах.

10. База знаний для определения вида животного

Классификация в базе знаний может основываться на древо­видной структуре (см. рис. 3). Согласно этой древовидной классификации, виды разделены на млекопитающих и птиц. Жираф, зебра, тигр и гепард являются млекопитающими, а пингвин, страус и альбатрос - птицами.

Для идентификации вида внутри каждого подмножества можно ис­пользовать список атрибутов. Количество признаков будет определять степень точности классификации. Необязательно какая-нибудь единственная характе­ристика является различающей: для идентификации используется вся сово­купность атрибутов. В данном случае все перечисленные ниже атри­буты являются необходимыми. Это объясняется тем, что ни один из них не характерен для всех видов одновременно. В нашей экспертной системе ис­пользуются следующие характеристики:

1. имеет шерсть;

2. имеет перья;

3. дает молоко;

4. кладет яйца;

5. летает;

6. не летает;

7. летает хорошо;

8. плавает;

9. ест мясо;

10. жует жвачку;

11. имеет лапы;

12. имеет копыта;

13. имеет острые зубы;

14. имеет глаза спереди;

15. имеет рыжевато-коричневый цвет;

16. имеет темные пятна;

17. имеет темные полосы;

18. имеет длинную шею;

19. имеет длинные ноги;

20. имеет черный и белый цвета.

Каждая характеристика для конкретного вида либо верна, либо не верна. Способ использования данной информации зависит от реализации экс­пертной системы.

В нашем случае при проектировании базы знаний древовидная структу­ра, множество идентифицирующих характеристик и наборы характе­ристик для каждого вида составляют рабочую модель базы знаний для вы­бора вида.