Экспертные системы

Министерство образования и науки Российской Федерации

ФГАОУ ВПО "Российский государственный профессионально-педагогический университет"

Машиностроительный факультет

Кафедра сертификации, метрологии и управлении качеством в машиностроении

Реферат

по Информатике

Экспертные системы

Работу выполнил: Ерохина Т.В.

Группа: ЗКМ-104С

Работу проверил: Садчиков И.А.

Екатеринбург 2015

Оглавление

Введение

. Экспертные системы и их особенности

.1 Что такое экспертная система

.2 Достоинства и недостатки экспертных систем

.3 Структура экспертной системы

. Модели представления знаний

.1 Логическая модель представления знаний

.2 Продукционная модель представления знаний

.3 Представление знаний фреймами

.4 Представление знаний семантическими сетями

. Области применения экспертных систем

Список использованной литературы

Введение

Экспертные системы возникли как значительный практический результат в применении и развитии методов искусственного интеллекта - совокупности научных дисциплин, изучающих методы решения задач интеллектуального (творческого) характера с использованием ЭВМ.

Область искусственного интеллекта имеет более чем сорокалетнюю историю развития. С самого начала в ней рассматривался ряд весьма сложных задач, которые, наряду с другими, и до сих пор являются предметом исследований: автоматические доказательства теорем, машинный перевод, распознавание изображений и анализ сцен, планирование действий роботов, алгоритмы и стратегии игр.

Экспертная система - это набор программ, выполняющий функции эксперта при решении задач из некоторой предметной области. Экспертные системы выдают советы, проводят анализ, дают консультации, ставят диагноз. Практическое применение экспертных систем на предприятиях способствует эффективности работы и повышению квалификации специалистов. Главным достоинством экспертных систем является возможность накопления знаний и сохранение их длительное время. В отличие от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы.

При создании экспертных систем возникает ряд затруднений. Это, прежде всего, связано с тем, что заказчик не всегда может точно сформулировать свои требования к разрабатываемой системе. Также возможно возникновение трудностей чисто психологического порядка: при создании базы знаний системы эксперт может препятствовать передаче своих знаний, опасаясь, что впоследствии его заменят "машиной". Но эти страхи не обоснованы, так как экспертные системы не способны обучаться, они не обладают здравым смыслом, интуицией. Но в настоящее время ведутся разработки экспертных систем, реализующих идею самообучения.

1. Экспертные системы и их особенности

Целесообразность использования экспертных систем (ЭС) характерна для организаций социального обеспечения, поскольку в данной проблемной области при решении большинства задач (планирование финансово-экономических показателей, консультация по различным организационно-правовым вопросам) приходится опираться на опыт и знания специалистов-экспертов.

Экспертная система позволяет накапливать, систематизировать и сохранять знания, профессиональный опыт тех экспертов, которые решают конкретные задачи наилучшим образом. Накопленные в ЭС знания могут быть использованы на практике неограниченное число раз.

Рисунок 1. Экспертная система в микроскопии МС 100 (TS), Expert Set.

Рассмотрим особенности экспертных систем.

1. ЭС ограничена определенной предметной областью.

. ЭС способна "рассуждать" при сомнительных исходных данных.

. ЭС способна "объяснить" цепочку сделанных ею рассуждений.

. Факты и механизм (программа) формирования выводов четко отделены друг от друга.

. ЭС строится так, чтобы имелась возможность постепенного ее наращивания (расширения) и модернизации.

. В результате работы ЭС формируется диагноз, рекомендация, совет, как нужно поступать в конкретной ситуации или предположение о том, что произошло с исследуемым объектом.

Экспертные системы имитируют процессы принятия решения людьми-экспертами и в состоянии компетентно решать сложные проблемы. Кратко опишем некоторые ЭС, что позволит еще раз наглядно представить сферы использования "электронных советников".

MYCIN (Стэндфордский университет, США) - одна из первых и наиболее известных ЭС, разработана в середине 70-х годов двадцатого столетия. Система предназначена для диагностики инфекционных заболеваний.

JUDITH - одна из первых юридических ЭС, позволявшая юристам получать экспертные заключения по гражданским делам. Разработана в 1975 г. в Гейдельбергском и Дармштадтском университетах (Германия).

INTERNIST(США). ЭС диагностирует несколько сотен болезней с точностью, которая сопоставима с точностью диагноза, сделанного квалифицированным врачом.

PROSPECTOR - экспертная система, которая помогает геологам в поиске новых полезных ископаемых. На основании информации, введенной в ЭВМ с географических карт, из обзоров и ответов на вопросы, которые задаются геологам, PROSPECTOR предсказывает местоположение новых залежей.

Использование этой системы позволило обнаружить залежи молибдена в Британской Колумбии (Канада).

Management Advisor(консультант менеджера). Система разработана фирмой Paladin Software, Inc. в 1986 г.; помогает руководителю в планировании его коммерческой деятельности.

XCON(Carnegie-Melon University). Система предназначена для определения конфигурации компьютеров при их продаже. Покупатель заказывает ЭВМ с определенными характеристиками, а ЭС позволяет оптимально подобрать комплектующие блоки (тип дисплея, объем ОЗУ, тип процессора, тип звуковой карты, объем видеопамяти и т. п.).

.1 Что такое экспертная система

Экспертная система (ЭС) - это компьютерная программа, которая моделирует рассуждения человека-эксперта в некоторой определенной области и использует для этого базу знаний, содержащую факты и правила об этой области, специальную процедуру логического вывода. Разработка систем, основанных на знаниях, является составной частью исследований по ИИ, и имеет целью создание компьютерных методов решения проблем, обычно требующих привлечения экспертов-специалистов. Взаимодействие эксперта, пользователя и структурных частей системы можно представить в виде следующей базовой структуры.

Определим экспертную систему (ЭС), как программную систему, использующую экспертные знания для обеспечения высокоэффективного решения задач в узкой предметной области.

Рисунок 2. Аппарат УЗИ.

ЭС выдают советы, проводят анализ, выполняют классификацию, дают консультации и ставят диагноз. Они ориентированы на решение задач, обычно требующих проведения экспертизы человеком-специалистом. В отличие от машинных программ, использующий процедурный анализ, ЭС решают задачи в узкой предметной области (конкретной области экспертизы) на основе дедуктивных рассуждений. Такие системы часто оказываются способными найти решение задач, которые неструктурированны и плохо определены. Они справляются с отсутствием структурированности путем привлечения эвристик, т. е. правил, взятых "с потолка", что может быть полезным в тех системах, когда недостаток необходимых знаний или времени исключает возможность проведения полного анализа [1].

.2 Достоинства и недостатки экспертных систем

интеллект экспертный знание семантический

Экспертные системы разрабатываются с расчетом на обучение и способны обосновать логику выбора решения, т.е. обладают свойствами адаптивности и ее аргументирования. У большинства экспертных систем имеется механизм объяснения. Этот механизм использует знания, необходимые для объяснения тою, каким образом система пришла к данному решению. Очень важным является определение области применения экспертной системы, границ ее использования и действия.

Преимущества экспертных систем по сравнению с использованием опытных специалистов состоят в следующем:

· достигнутая компетентность не утрачивается, может документироваться, передаваться, воспроизводиться и наращиваться;

· имеют место более устойчивые результаты, отсутствуют эмоциональные и другие факторы человеческой ненадежности;

· высокая стоимость разработки уравновешивается низкой стоимостью эксплуатации, возможностью копирования, а в совокупности они дешевле высококвалифицированных специалистов.

Недостатком экспертных систем:

- меньшая приспособляемость к обучению новым правилам и концепциям, к творчеству и изобретательству.

Использование экспертных систем позволяет во многих случаях отказаться от высококвалифицированных специалистов, но предполагает оставить в системе место эксперту с более низкой квалификацией. Экспертные системы служат средством для расширения и усиления профессиональных возможностей конечного пользователя [2].

.3 Структура экспертной системы

Обобщенная структура экспертной системы представлена на рисунке. Следует учесть, что реальные ЭИС могут иметь более сложную структуру, однако блоки, изображенные на рисунке, непременно присутствуют в любой действительно экспертной системе, поскольку представляют собой стандарт современной структуры ЭИС.

Основные компоненты ИТ, используемой в экспертной системе:

Пользователь - специалист предметной области, для которого предназначена система. Обычно его квалификация недостаточно высока, и поэтому он нуждается в помощи и поддержке своей деятельности со стороны ЭИС

Интерфейс пользователя - это комплекс программ, реализующих диалог пользователя с ЭИС (экспертной интеллектуальной системой) как на стадии ввода информации, так и при получении результатов Специалист использует интерфейс для ввода информации и команд в экспертную систему и получения выходной информации из нее. Команды включают в себя параметры, направляющие процесс обработки знаний. Информация обычно выдается в форме значений, присваиваемых определенным переменным. Специалист может использовать четыре метода ввода информации: меню, команды, естественный язык и собственный интерфейс.

База знаний (БЗ) - это совокупность знаний (долгосрочных данных, а не текущих) предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю (обычно на некотором языке, приближенном к естественному). Параллельно такому "человеческому" представлению существует БЗ во внутреннем "машинном" представлении. БЗ содержит факты, описывающие проблемную область, а также логическую взаимосвязь этих фактов.

Центральное место в базе знаний принадлежит правилам. Правило определяет, что следует делать в данной конкретной ситуации, и состоит из двух частей: условия, которое может выполняться или нет, и действия, которое следует произвести, если условие выполняется. Все используемые в экспертной системе правила образуют систему правил, которая даже для сравнительно простой системы может содержать несколько тысяч правил.

Инженер по знаниям (орнитолог, инженер-интерпретатор, аналитик) - специалист в области искусственного интеллекта, выступающий в роли промежуточного буфера между экспертом и базой знаний.

Решатель - (интерпретатор, дедуктивная машина, машина вывода, блок логического вывода) - это программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ, и производящая в определенном порядке обработку знаний (мышление). Блок логических выводов и диагноза помогает наметить пути выхода из сложившейся ситуации с помощью фактического анализа показателей

Технология работы решателя сводится к последовательному рассмотрению совокупности правил (правило за правилом). Если условие, содержащееся в правиле, соблюдается, выполняется определенное действие, и пользователю предоставляется вариант решения его проблемы.

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 (Help) и других сервисных средств, облегчающих работу с базой [2, 3].

Рисунок 3. Базовая структура экспертной системы.

Представленная на рисунке структура является минимальной, что означает обязательное присутствие указанных на ней блоков. Если система объявлена разработчиками как экспертная, только наличие всех этих блоков гарантирует реальное использование аппарата обработки знаний. Однако промышленные прикладные ЭИС могут быть существенно сложнее и дополнительно включать БД, блок расчета, интерфейсы обмена данными с различными пакетами прикладных программ, электронными библиотеками и т. д.

База данных содержит плановые, фактические, расчетные, отчетные и другие постоянные/оперативные показатели. Этот термин совпадает по названию, но не по смыслу с термином, используемым в системах управления базами данных (СУБД) для обозначения всех данных (в первую очередь долгосрочных), хранимых в системе.

блок расчета необходим в ситуациях, связанных с принятием управленческих решений;

блок ввода и корректировки данных используется для оперативного и своевременного отражения текущих изменений в базе данных если в системе есть блок учета, то надобность в блоке ввода и корректировки данных отпадает;

блок приобретения знаний снимает проблему самообучения системы. Он необходим для получения знаний от эксперта, поддержки базы знаний и дополнения ее при необходимости. Автоматизирует процесс наполнения ЭИС знаниями, осуществляемый пользователем-экспертом модуль создания системы служит для создания набора (иерархии) правил. Существуют два подхода, которые могут быть положены в основу модуля создания системы: использование алгоритмических языков программирования и использование оболочек экспертных систем. Для представления базы знаний специально разработаны языки Лисп и Пролог, хотя можно использовать и любой известный алгоритмический язык.

Оболочка экспертных систем - это готовая программная среда, которая может быть приспособлена к решению определенной проблемы путем создания соответствующей базы знаний. В большинстве случаев использование оболочек позволяет создавать экспертные системы быстрее и легче в сравнении с программированием [5].

В целом процесс функционирования ЭИС можно представить следующим образом: пользователь, желающий получить необходимую информацию, через пользовательский интерфейс посылает запрос к ЭИС; решатель, пользуясь базой знаний, генерирует и выдает пользователю подходящую рекомендацию, объясняя ход своих рассуждений при помощи подсистемы объяснений.

Специальности специалистов по разработке экспертных систем

В разработке ЭИС предметной области участвуют представители следующих специальностей:

эксперт в проблемной области, задачи которой будет решать ЭИС. Определяет знания (данные и правила), характеризующие проблемную область, обеспечивает полноту и правильность введенных в ЭИС знаний;

инженер по знаниям - специалист по разработке ЭИС (используемые им технологию, методы называют технологией (методами) инженерии знаний). Помогает эксперту выявить и структурировать знания, необходимые для работы ЭИС; осуществляет выбор того ИС, которое наиболее подходит для данной проблемной области, и определяет способ представления знаний в этом ИС; выделяет и программирует (традиционными средствами) стандартные функции (типичные для данной проблемной области), которые будут использоваться в правилах, вводимых экспертом;

программист по разработке инструментальных средств (ИС), предназначенных для ускорения разработки ЭИС. Осуществляет интеграцию с той средой, в которой она будет использоваться

Необходимо отметить, что отсутствие среди участников разработки инженеров по знаниям (т. е. их замена программистами) либо приводит к неудаче процесс создания ЭИС, либо значительно удлиняет его.

2. Модели представления знаний

Одной из наиболее важных проблем, характерных для систем, основанных на знаниях, является проблема представления знаний. Это объясняется тем, что форма представления знаний оказывает существенное влияние на характеристики и свойства системы. Для того чтобы манипулировать всевозможными знаниями из реального мира с помощью компьютера, необходимо осуществлять их моделирование. В таких случаях необходимо отличать знания, предназначенные для обработки компьютером, от знаний, используемых человеком. Кроме того, при большом объеме знаний желательно упростить последовательное управление отдельными элементами знаний.

При проектировании модели представления знаний следует учитывать такие факторы, как однородность представления и простота понимания. Однородное представление приводит к упрощению механизма управления логическим выводом и упрощению управления знаниями. Представление знаний должно быть понятным экспертам и пользователям системы. В противном случае затрудняются приобретение знаний и их оценка. Однако выполнить это требование в равной степени, как для простых, так и для сложных задач довольно трудно.

Типичными моделями представления знаний являются:

1.   Логическая модель;

2.      Модель, основанная на использовании правил (продукционная модель);

.        Модель, основанная на использовании фреймов;

.        Модель семантической сети.

Однако во всех разработанных в прошлом системах с базами знаний помимо этих моделей использовались специальные для конкретного случая средства, поэтому представление знаний получалось сложным. Тем не менее, классификация моделей оставалась неизменной. Язык, используемый для разработки систем, спроектированных на основе этих моделей, называется языком представления знаний [4].

.1 Логическая модель представления знаний

В основе логических моделей представления знаний лежит понятие формальной системы в виде четверки:

= <T,P,A,F>,

где T - множество базовых символов теории M (например, буквы алфавита);- множество синтаксических правил, посредством которых из базовых символов строятся формулы;- множество построенных формул, состоящих из аксиом;- правила вывода, определяющие множество отношений между правильно построенными формулами.

В логическом подходе знания представляются посредством формул, которые строятся из предикатов, логических связок, кванторов и т.п. одни логические подходы ограничиваются классической логикой первого порядка, тогда как в других используется модальная логика, нечеткая логика, логика высших порядков и т.п.

Среди многих достоинств логического подхода необходимо отметить: стирание противопоставления между выводом и вычислением, что позволяет эффективно использовать метазнания; наличие четкой семантики и правил ввода.

Серьезной проблемой в логическом подходе является отсутствие структуры, так как данные представляются в виде совокупности линейных формул. К недостаткам логических моделей можно отнести следующее. На основе аппарата исчисления предикатов можно доказать существование объекта, обладающего определенными свойствами, т.е. логика первого порядка обеспечивает удобные средства описания в любой ситуации, которая определяется объектами и высказываниями, истинными относительно них. Но с другой стороны, в исчислении предикатов нет понятия процесса, что приводит к невозможности присвоения имени объекту в ходе логических преобразований и дальнейшим ссылкам на него, а также отсутствует возможность описания взаимосвязей двух ситуаций.

Логический и семантический аппарат теории исчисления предикатов не позволяет непосредственно решать такие проблемы, как совместное использование информации в альтернативных гипотезах и в различные моменты времени, создание новых структур в результате получения новых данных, планирование и т.д.

Таким образом, существует определенный круг задач, которые нельзя решать, используя только методологию исчисления предикатов. Возникает необходимость представления знаний на комбинированной основе, т.е. если некоторая часть системы представления знаний или вся эта система реализуются с помощью исчисления предикатов, то все равно остается ряд проблем, связанных с выбором оптимальной аксиоматической структуры и организации, обеспечивающей эффективность интеллектуальных операций. Речь идет о средствах указания модальности (необходимости, возможности, условности), средствах создания референций и соотнесения их с соответствующими смысловыми описаниями, о механизмах нестрогих рассуждений, а также о методах решения проблем, связанных с рассуждениями о свойствах, о механизме процесса планирования.

Внутри совокупности способов представления, основанных на исчислении предикатов, существует ряд различных подходов - метод функций Сколема, метод явных кванторов существования, метод нормальных форм Сколема, метод конъюнктивных нормальных форм, метод постатейных представлений и другие. Эти методы позволяют создать на единой семантической базе совершенно различные представления, которые обеспечивают конкретные разновидности интеллектуальных операций [4].

.2 Продукционная модель представления знаний

Система продукций образуется множеством правил продукции. Эти правила формулируют определенные действия при выполнении некоторых заданных условий. Поскольку одновременно могут выполняться несколько условий, должна быть определена стратегия выбора.

В самом простом виде правила продукций близки по смыслу импликации "Если - то", поэтому для правил продукций можно принять обозначение или, раскрыв условие применимости, эта запись примет вид:

^ P2 ^ P3 . . . ^ Pn - B,

где Pi (i=1,2, ..., n) - условия применимости, образующие конъюнкцию;

В - заключение или действие, которое имеет место при истинности конъюнкции.

Приведем пример правила продукций для экспертной системы, предназначенной для диагностики неисправности:

Если внутреннее тестирование прошло и имеет место многократная перезагрузка операционной системы, то залипание клавиш или сбой ОЗУ.

Система продукций выгодна для выражения знаний, которые могут принимать форму переходов между состояниями (ситуация -> действие, посылка -> заключение, причина -> следствие).

Необходимо различать продукционные системы, управляемые данными (предусловиями правил) и продукционные системы, управляемые целями (действиями правил).

База знаний продукционной экспертной системы состоит из множества правил продукций (базы правил)

П={P1, P2, ..., Pm}

и конечного набора фактов (базы фактов)

=(a1, a2, ..., an).

Если правило имеет вид

Pi=ai1 ai2 ... ais -> am,

то это значит, что новый факт am имеет место (т.е. правило Pi применимо) при условии истинности всех фактов ai1...ais, определяющих правило Pi.

В случае, когда am - новый факт, имеет место модификация соответствующей базы фактов, а продукция Pi представляет собой декларативное знание.

Возможен случай, когда правило продукции связано с выполнением какой-либо процедуры, а am - сообщение об окончании этого действия. В этом случае предусловия и действия являются утверждениями о данных, а вывод осуществляется в обратном направлении, т.е. от утверждений, которые должны быть доказаны.

Представление знаний в виде продукционных правил имеет недостатки и достоинства. Основным недостатком системы продукций является отсутствие внутренней структуры и зависимости шагов дедуктивного вывода от стратегии вывода, что делает ее трудно интерпретируемой.

Достоинства продукционных систем: модульность организации знаний; независимость правил продукций; легкая модификация знаний на основе возможного удаления и добавления правил; возможность использования различных управляющих стратегий за счет отделения предметных знаний от управляющих.

Например, продукционную модель действий человека при посадке в автобус можно представить в следующем виде:

Если не (имеет деньги) то (пешком)

Если (имеет деньги) и не (пришел автобус) то (ждать)

Если (пришел автобус) и не (тот маршрут) то (ждать)

Если (пришел автобус) и (тот маршрут) то (садиться в автобус).

.3 Представление знаний фреймами

Фреймы - это фрагменты знания, предназначенные для представления стандартных ситуаций. Фреймы имеют вид структурированных наборов компонентов ситуации, называемых слотами. Слот может указывать на другой фрейм, устанавливая тем самым связь между двумя фреймами. Могут устанавливаться общие связи типа связи по обобщению, с каждым фреймом ассоциируется разнообразная информация (в том числе и процедуры), например, ожидаемые процедуры ситуации, способы получения информации о слотах, значения, принимаемые по умолчанию, правила вывода.

Формальная структура фрейма имеет следующий вид:

[<N1,V1>,<N2,V2>.....<Nk,Vk>],

где f - имя фрейма;

пара <Ni,Vi> - i-й слот,- имя слота

и Vi - его значение.

Значение слота может быть представлено последовательностью

<K1><L1>; . . . ; <Kn><Tn>;<R1>; . . . ; <Rm>,

где Ki - имена атрибутов, характерных для данного слота;- значения этих атрибутов или множества их значений;- различные ссылки на другие слоты.

Каждый фрейм как структура хранит знания о предметной области (фрейм-прототип), а при заполнении слотов значениями превращается в конкретный фрейм события или явления. Фреймы можно разделить на две группы: фреймы-описания и ролевые фреймы.

Рассмотрим примеры.

Фрейм-описание:

Ролевой фрейм:

[<доставить>,<что, прокат 10 т>,<откуда, Гомель>,<куда, Минск>,<чем, авто>,<когда, май>]

Во фрейме-описании в качестве имен слотов задан вид продукции, а значение слота характеризует массу и производителя конкретного вида продукции. В ролевом фрейме в качестве имен слотов выступают вопросительные слова, ответы на которые являются значениями слотов, для данного примера представлены уже описания конкретных фреймов, которые могут называться либо фреймами-примерами, либо фреймами-экземплярами. Если в приведенном примере убрать значения слотов, оставив только имена, то получим так называемый фрейм-прототип.

Достоинства фрейма-представления во многом основываются на включении в него предположений и ожиданий. Это достигается за счет присвоения по умолчанию слотам фрейма стандартных ситуаций. В процессе поиска решений эти значения могут быть заменены более достоверными. Некоторые переменные выделены таким образом, что об их значениях система должна спросить пользователя. Часть переменных определяется посредством встроенных процедур, называемых внутренними. По мере присвоения переменным определенных значений осуществляется вызов других процедур. Этот тип представления комбинирует декларативные и процедурные знания.

Фреймовые модели обеспечивают требования структурированности и связности. Это достигается за счет свойств наследования и вложенности, которыми обладают фреймы, т.е. в качестве слотов может выступать система имен слотов более низкого уровня, а также слоты могут быть использованы как вызовы каких-либо процедур для выполнения.

Для многих предметных областей фреймовые модели являются основным способом формализации знаний.

Рисунок 4. Сеть фреймами.

.4 Представление знаний семантическими сетями

Большая часть семантических моделей создана на базе семантических сетей. Этот термин обозначает целый класс подходов, для которых общим является использование графических схем с узлами, соединенными дугами. Узлы (вершины сети) представляют некоторые понятия (объекты, события, явления). А дуги - отношения между ними. Семантические модели являются объектно-ориентированными и обеспечивают в достаточной мере такой признак, как связность, реализуя четыре типа связей между объектами: классификацию, агрегирование, обобщение, ассоциацию.

Основная идея моделирования при помощи семантических моделей заключается в том, что модель представляет данные о реальных объектах и связях между ними прямым способом, что существенно облегчает доступ к знаниям: начиная движение от некоторого понятия, по дугам отношений можно достичь других понятий.

Возьмем, например, следующую фразу: "Программист сел за компьютер и отладил программу". Здесь выделяется три объекта: программист (a1), компьютер (a2) и программа (a3). Эти объекты связаны отношениями: сел за (r1), отладил (r2), загружена в (r3).

Использование семантических моделей позволяет представить в базе знаний экспертной системы знания о любой предметной области и осуществить автоматическое построение семантических сетей непосредственно из текста.

К основным достоинствам семантических моделей можно отнести: представление средств для выражения ограничений; описание связей между объектами; определение операций над объектами.

Накладывая ограничения на описание вершины дуг, можно получить сети различного вида. Если вершины не имеют собственной внутренней структуры, то такие сети называют простыми. В противном случае они являются иерархическими сетями.

Характерной особенностью некоторых семантических моделей является интегрированное описание процедурной семантики и статической семантики - допустимые операции над объектами определяются совместно с определением структур данных.

Наряду с достоинствами семантические модели обладают некоторыми недостатками. В семантических сетях нет специальных средств, позволяющих определить временные зависимости, поэтому временные значения и события трактуются как обычные понятия. Произвольная структура и различные типы вершин и связей усложняют процедуру обработки информации. Стремление устранить эти недостатки послужило причиной появления особых типов семантических сетей: синтагматические цепи, сценарии, фреймы и т.п.[4].

На рисунке 5 приведен пример этой простейшей семантической сети.

Рисунок 5. Пример простейшей сематической сети.

3. Области применения экспертных систем

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение.

а) Медицинская диагностика. Диагностические системы используются для установления связи между нарушениями деятельности организма и их возможными причинами. Наиболее известна диагностическая система MYCIN, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях. Ее первая версия была разработана в Стэндфордском университете в середине 70-х годов. В настоящее время эта система ставит диагноз на уровне врача-специалиста. Она имеет расширенную базу знаний, благодаря чему может применяться и в других областях медицины.

б) Прогнозирование. Прогнозирующие системы предсказывают возможные результаты или события на основе данных о текущем состоянии объекта. Программная система "Завоевание Уолл-стрита" может проанализировать конъюнктуру рынка и с помощью статистических методов алгоритмов разработать для вас план капиталовложений на перспективу. Она не относится к числу систем, основанных на знаниях, поскольку использует процедуры и алгоритмы традиционного программирования. Хотя пока еще отсутствуют ЭС, которые способны за счет своей информации о конъюнктуре рынка помочь вам увеличить капитал, прогнозирующие системы уже сегодня могут предсказывать погоду, урожайность и поток пассажиров. Даже на персональном компьютере, установив простую систему, основанную на знаниях, вы можете получить местный прогноз погоды.

в) Планирование. Планирующие системы предназначены для достижения конкретных целей при решении задач с большим числом переменных. Компания Boeing применяет ЭС для проектирования космических станций, а также для выявления причин отказов самолетных двигателей и ремонта вертолетов. Экспертная система XCON, созданная фирмой DEC, служит для определения или изменения конфигурации компьютерных систем типа VAX и в соответствии с требованиями покупателя. Фирма DEC разрабатывает более мощную систему XSEL, включающую базу знаний системы XCON, с целью оказания помощи покупателям при выборе вычислительных систем с нужной конфигурацией. В отличие от XCON система XSEL является интерактивной [3].

Рисунок 6. Области применения ЭС.

г) Интерпретация. Интерпретирующие системы обладают способностью получать определенные заключения на основе результатов наблюдения. Система PROSPECTOR, одна из наиболее известных систем интерпретирующего типа, объединяет знания девяти экспертов. Используя сочетания девяти методов экспертизы, системе удалось обнаружить залежи руды стоимостью в миллион долларов, причем наличие этих залежей не предполагал ни один из девяти экспертов. Другая интерпретирующая система- HASP/SIAP. Она определяет местоположение и типы судов в тихом океане по данным акустических систем слежения.

д) Контроль и управление. Системы, основанные на знаниях, могут применяться в качестве интеллектуальных систем контроля и принимать решения, анализируя данные, поступающие от нескольких источников. Такие системы уже работают на атомных электростанциях, управляют воздушным движением и осуществляют медицинский контроль. Они могут быть также полезны при регулировании финансовой деятельности предприятия и оказывать помощь при выработке решений в критических ситуациях.

е) Диагностика неисправностей в механических и электрических устройствах. В этой сфере системы, основанные на знаниях, незаменимы как при ремонте механических и электрических машин (автомобилей, дизельных локомотивов и т.д.), так и при устранении неисправностей и ошибок в аппаратном и программном обеспечении компьютеров.

ж) Обучение. Системы, основанные на знаниях, могут входить составной частью в компьютерные системы обучения. Система получает информацию о деятельности некоторого объекта (например, студента) и анализирует его поведение. База знаний изменяется в соответствии с поведением объекта. Примером этого обучения может служить компьютерная игра, сложность которой увеличивается по мере возрастания степени квалификации играющего. Одной из наиболее интересных обучающих экспертных систем является разработанная Д.Ленатом система EURISCO, которая использует простые эвристики. Эта система была опробована в игре Т.Тревевеллера, имитирующая боевые действия. Суть игры состоит в том, чтобы определить состав флотилии, способной нанести поражение в условиях неизменяемого множества правил. Система EURISCO включила в состав флотилии небольшие, способные провести быструю атаку корабли и одно очень маленькое скоростное судно и постоянно выигрывала в течение трех лет, несмотря на то, что в стремлении воспрепятствовать этому правила игры меняли каждый год.

Большинство ЭС включают знания, по содержанию которых их можно отнести одновременно к нескольким типам. Например, обучающая система может также обладать знаниями, позволяющими выполнять диагностику и планирование. Она определяет способности обучаемого по основным направлениям курса, а затем с учетом полученных данных составляет учебный план. Управляющая система может применяться для целей контроля, диагностики, прогнозирования и планирования. Система, обеспечивающая сохранность жилища, может следить за окружающей обстановкой, распознавать происходящие события (например, открылось окно), выдавать прогноз (вор-взломщик намеревается проникнуть в дом) и составлять план действий (вызвать полицию) [2, 3].

Список использованной литературы

.     Долин Г., Что такое ЭС// Компьютер Пресс. - 1992. - №2

2.      Сафонов В.О. Экспертные системы - интеллектуальные помощники специалистов.- С.-Пб: Санкт-Петербургская организация общества "Знание" России, 1992.

.        Убейков В.Н. Экспертные системы.- М.: МАИ, 1992.

.        Уэно Х. Представление и использование знаний: Пер. с японского, М. Исудзу.- М.: Мир, 1989.

.        Шалютин С.М. Искусственный интеллект. - М.: Мысль, 1985.