Классификация по глубине

К глубинным знаниям относят абстракции, образы, аналогии, в которых отражается понимание структуры предметной области, & также назначение ч взаимосвязь отдельных понятий (в фунда­ментальных науках к глубинным знаниям относят законы и теоре­тические основания). Поверхностные знания обычно касаются .лишь совокупности эмпирических ассоциаций и причинно-следст­венных отношений между понятиями предметной области.

Например, мы пользуемся телефоном, используя поверхност­ные знания о том, что, сняв трубку и правильно набрав номер, мы можем соединиться с нужным абонентом. Подавляющее боль­шинство владельцев телефонов не имеет и не нуждается в глу­бинных представлениях о структуре телефонной связи, схеме теле­фонного аппарата, которыми, безусловно, пользуются специалисты телефонной станции.

В большинстве ЭС сейчас используются поверхностные зна­ния, которые часто позволяют получать вполне качественные ре­зультаты. Однако .введение глубинных представлений позволит создать базы знаний 'большей мощности, так как глубинные зна-я'ия более гибки 'и адаптивны, чем достаточно жесткие поверхност­ные. Классическим примером может служить медицина, где глу­бинные знания опытных 'врачей позволяют им порождать разно­образные способы лечения одной ,и той же бйлезни в зависимости от состояния больного, его возраста или от наличия лекарств в аптечной 'сети. Молодой или неквалифицированный врач часто действует но поверхностной модели: “Если кашель — то пить таблетки от кашля, если ангина — то эритром.ицин” и т. п.

Глубинные знания образуются как результат обобщения пер­вичных понятий предметной области в некоторые более абстракт­ные структуры. Часто эти структуры не имеют вербального опи­сания. Так, в медицине введено понятие синдрома (от греч. syn­drome—скопление)—сочетания симптомов, которым пользуются для обобщенного и углубленного описания болезни.

Отметим, что степень глубины и уровень обобщенности зна­ний прямо связаны с опытом экспертов и могут служить показа­телем профессионального мастерства последних.

Кроме того, глубина знания связана с типом мышления. Час­то в психологии выделяют два типа 'мышления i[38, 44]: эмпири­ческое, теоретическое (со склонностью к анализу, рефлексии и внутреннему планированию действий). При эмпирическом мыш­лении поиск решения задачи ведется только на основе учета имею­щихся связей в ситуации задачи, при теоретическом мышлении поиск осуществляется путем конструирования новых связей меж­ду элементами задачи. Таким образом, эмпирическое мышление отражает объект со 'стороны его внешних проявлений и связей (т. е. на уровне ятоверхностных знаний), а теоретическое вклю­чает способность к обобщению и отражает внутренние связи объектов и законы их развития .(т. 'е. глубинное знание).

-- 11 --

Рис. 1.2. Тенденция развитая баз знаний

Классификация по жесткости

Жесткие знания позволяют получать однозначные четкие реко­мендации при заданных начальных условиях, в то время как мяг­кие знания допускают множественные, расплывчатые решения и различные варианты .рекомендации. Согласно этой классификации можно и сами предметные области относить к жестким или мяг­ким.

Интересная графическая интерпретация этих классификаций предложена в [68] для знаний в области САПР. Если развить данный подход для других предметных областей, то

можно пред­ложить схему, отражающую тенденцию в инженерии знаний — от жестких и поверхностных знаний к мягким и более глубоким (рис. 1.2).

Осознание важности и значимости выделения пласта эмпири­ческих знаний в предметной области является пробным камнем готовности специалистов к разработке ЭС. Можно сформулиро­вать ряд контрольных вопросов для коллектива разработчиков. ЭС, которые могут помочь это сделать.

Отделили ли Вы данные от знаний в Вашей предметной облас­ти (ПО)?

Глубинные или поверхностные знания Вы собираетесь модели­ровать?

Жесткой ли мягкой Вы считаете свою ПО?

В заключение несколько слов об особом пласте опыта экспер­та — об умении. Часть знаний хранится в этой практически не вербализуемой форме. Эксперт умеет что-то делать, он знает, как это делается, но вряд ли сможет объяснить, почему он делает именно так. Экспертные системы пока не затрагивают этих “полуавтоматических” умений.

-- 12 --

1.2. Структура и классификация экспертных систем

Экспертные системы — это сложные программные комплексы, ак­кумулирующие знания специалистов в конкретных предметных областях. Рис. 1.3 отражает обобщенную структуру ЭС. Подроб­ное описание каждого из блоков приводится в [112, 115, 141, 163].

Так как терминология в области разработки ЭС находится на стадии формирования, определим основные термины в рамках данной книги.

Пользователь — работник, для которого предназначена систе­ма. Обычно его квалификация недостаточно высока и поэтому он нуждается в помощи и поддержке своей деятельности со сторо­ны ЭС .

Инженер по знаниям — специалист по искусственному интел­лекту, выступающий в роли промежуточного буфера между экс­пертом и базой знаний. Синонимы — когнитолог, инженер-интер­претатор, аналитик.

Эксперт — высококвалифицированный специалист предметной области, согласившийся поделиться своим опытом.

Рис. 1.3. Структура ЭС

Несколько “вольных” определений экспертов, предложенных другими ав­торами.

“Эксперт” — это человек, переставший мыслить на том основании, что он знает” (Ф. Л. Райт).

“Эксперт” — это такой же специалист, но из другого города” (И. Эссар).

“Эксперт — это человек, который сегодня предсказывает то, что будет зав­тра, а завтра квалифицированно объясняет, почему это не произошло” (Дж. Томас).

“Эксперт — это человек, знающий о предмете больше, чем нужно” (А. Ле-винсон).

Интерфейс пользователя — комплекс программ, реализующих диалог пользователя с ЭС как на стадии ввода информации, так и при получении результатов.

База знаний — ядро ЭС, совокупность знаний предметной об­ласти, .записанная на машинный носитель на языке представле­ния знаний (обычно приближенном к естественному). Параллель.

-- 13 --

Рис, 1.4. Классификация ЭС

но такому “человеческому” представлению существует БЗ во внут­реннем “машинном” представлении.

Решатель — программа, моделирующая ход рассуждений экс­перта 'на основании знаний, .имеющихся в БЗ. Синонимы — де­дуктивная •маш'ина, блок логического вывода.

Подсистема объяснений — программа, позволяющая 'пользо­вателю получать ответы на вопросы: как была получена та или иная рекомендация? .и почему система приняла такое решение?

Интеллектуальный редактор БЗ — 'программа, представляю­щая инженеру по знаниям возможность создавать БЗ в диалого­вом режиме. Включает 'в себя систему вложенных 'меню, шабло­нов языка представления знаний, 'подсказок (h'elp-режим) и других сервисных средств, облегчающих работу с базой. В неко­тором смысле это частный вид систем приобретения знаний (см. § 7.3).

Класс “экспертные системы” сегодня объединяет несколько тысяч различных программных комплексов, которые можно клас­сифицировать по различным критериям (рис. 1.4).

Классификация (по решаемой задаче) [115]

ЭС интерпретации данных определяют смысл данных. Резуль­таты должны быть 'согласованными и корректными. Обычно пре­дусматривается многовариантный анализ данных.

ЭС диагностики выполняют процессы отнесения объекта к не­которому классу и обнаружения неисправностей в некоторой си­стеме. Неисправность — это отклонение от нормы. Такая трак­товка позволяет 'с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии.

-- 14 --

ЭС мониторинга ориентированы на непрерывную интерпрета­цию данных в реальном масштабе времени и сигнализацию о вы­ходе тех или иных параметров задопустимые пределы.

ЭС проектирования готовят спецификации на создание “объек­тов” с заранее определенными свойствами. Под спецификацией 'понимается весь набор 'необходимых документов — чертеж, пояс­нительная записка и т. д.

ЭС прогнозирования логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно исполь­зуется параметрическая динамическая модель, в которой значе­ния параметров “подгоняются” под данную ситуацию.

ЭС планирования находят !планы действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести .последствия планируемой деятельности.

ЭС обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные реше­ния. 0.ни аккумулируют 'знания о гипотетическом “ученике” и его характерных ошибках, затем в работе они способны диагностиро­вать слабости в познаниях обучаемых и находить соответствую­щие средства для их ликвидации.

В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на систе­мы, решающие задачи синтеза. Основное отличие задач анализа от задач синтеза заключается в том, что если в задачах анализа множество 'решений может быть перечислено и включено в систе­му, то в 'задачах синтеза множество решений потенциально и строится из решений компоиент или подпроблем.

Задачами анализа являются: интерпретация данных, диагнос­тика; синтеза: проектирование, планирование. Комбинированные:

обучение, мониторинг, прогнозирование.

Классификация по связи с реальным временем

Статические ЭС разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются за время решения .задачи. Они стабильны. Например, диагностика неисправностей в автомобиле.

Квазидиналшческие ЭС интерпретируют ситуацию, которая ме­няется с некоторым фиксированным интервалом времени. Напри­мер, микробиологические ЭС, в которых снимаются лабораторные измерения с технологического процесса один раз в 4—5 'часов (производство лизина, например) и анализируется динамика по­лученных 'показателей по отношению к предыдущему измерению.

Динамические ЭС работают с изменяющимися во время реше­ния задачи данными, часто в сопряжении с датчиками объектов, иногда в режиме реального 'времени с непрерывной интерпрета­цией поступающих данных. Пример — управление ГПС, монито­ринг в реанимационных палатах.

-- 15 --

Классификация по типу ЭВМ

ЭС на суперЭВМ для уникальных стратегически важных задач (Эльбрус, CRAY и др.).

ЭС да ЭВМ средней производительности (типа ЕС ЭВМ). ЭС на символьных ЭВМ и рабочих станциях (SYMBOLICSSUN, APOLLO и др.).

ЭС на мини- и супер-м.ини-ЭВМ (СМ-1700, VAX, micro-VA.?и др.).

ЭС на ПЭВМ (IBM PC, PS/2 и подобные). Эта классификация, видимо, не требует пояснений.

Классификация по степени интеграции с другими программами

Автономные ЭС работают непосредственно в режиме консуль­таций с пользователем только для “экспертных” задач, дри реше­нии которых не требуется привлекать традиционные методы обра­ботки данных (расчеты, моделирование и т. д.).

Гибридные ЭС представляют программный комплекс, агреги­рующий стандартные пакеты 'прикладных программ (например, математическую статистику, линейное программирование 'или си­стемы управления базами данных) и средства .манипулирования знаниями. Это может быть интеллектуальная надстройка над па­кетом прикладных программ или ннтегр.иро.ваяная среда для реше­ния сложной задачи с элементами экспертных знаний.

Несмотря на внешнюю привлекательность гибридного подхода, следует отметить, что разработка таких систем являет собой за­дачу на порядок бо'лее сложную, чем разработка автономной ЭС. Стыковка не 'просто разных пакетов, а разных методологий (что происходит в гибридных системах) порождает комплекс теоре­тических •и практических трудностей.

Если говорить о современном состоянии разработок ЭС, то тен­денции за рубежом (левый полюс — наиболее распространенные коммерческие системы, правый полюс — направление .исследова­ний ведущих специалистов) таковы:

задачи диагностики, интерпретации, проектиро.вание-”-монито-р.инг, обучение;

статические-”-ди'на;мические;

автономные-^-гибридные.