Экспертные системы 14

Методология построения экспертных систем

Экспертные системы: Определения и классификация

Одним из наиболее значительных достижений искусственного интеллекта стала разработка мощных компьютерных систем, получивших название «экспертных» или основанных на «знаниях» систем. В современном обществе при решении задач управления сложными многопараметрическими и сильносвязанными системами, объектами, производственными и технологическими процессами приходится сталкиваться с решением неформализуемых либо трудноформализуемых задач. Такие задачи часто возникают в следующих областях: авиация, космос и оборона, нефтеперерабатывающая промышленность и транспортировка нефтепродуктов, химия, энергетика, металлургия, целлюлозно-бумажная промышленность, телекоммуникации и связь , пищевая промышленность, машиностроение, производство цемента, бетона и т.п. транспорт, медицина и фармацевтическое производство, административное управление, прогнозирование и мониторинг . Наиболее значительными достижениями в этой области стало создание систем, которые ставят диагноз заболевания, предсказывают месторождения полезных ископаемых, помогают в проектировании электронных устройств, машин и механизмов, решают задачи управления реакторами и другие задачи [ 6.1 ] , [ 6.2 ] . Примеры экспертных систем в различных предметных областях приводятся в конце лекции.

Под экспертной системой (ЭС) будем понимать программу, которая использует знания специалистов ( экспертов ) о некоторой конкретной узко специализированной предметной области и в пределах этой области способна принимать решения на уровне эксперта -профессионала.

Осознание полезности систем, которые могут копировать дорогостоящие или редко встречающиеся человеческие знания, привело к широкому внедрению и расцвету этой технологии в 80-е, 90-е годы прошлого века. Основу успеха ЭС составили два важных свойства, отмечаемые рядом исследователей [ 6.3 ] , [ 6.4 ] :

• в ЭС знания отделены от данных, и мощность экспертной системы обусловлена в первую очередь мощностью базы знаний и только во вторую очередь используемыми методами решения задач;
• решаемые ЭС задачи являются неформализованными или слабоформализованными и используют эвристические, экспериментальные, субъективные знания экспертов в определенной предметной области.

Основными категориями решаемых ЭС задач являются: диагностика , управление (в том числе технологическими процессами), интерпретация , прогнозирование, проектирование, отладка и ремонт, планирование, наблюдение ( мониторинг ), обучение.

Обобщенная схема ЭС приведена на рис. 6.1. Основу ЭС составляет подсистема логического вывода , которая использует информацию из базы знаний ( БЗ ), генерирует рекомендации по решению искомой задачи. Чаще всего для представления знаний в ЭС используются системы продукций и семантические сети . Допустим, БЗ состоит из фактов и правил (если то ). Если ЭС определяет, что посылка верна, то правило признается подходящим для данной консультации и оно запускается в действие. Запуск правила означает принятие заключения данного правила в качестве составной части процесса консультации.

Обязательными частями любой ЭС являются также модуль приобретения знаний и модуль отображения и объяснения решений. В большинстве случаев, реальные ЭС в промышленной эксплуатации работают также на основе баз данных ( БД ). Только одновременная работа со знаниями и большими объемами информации из БД позволяет ЭС получить неординарные результаты, например, поставить сложный диагноз (медицинский или технический), открыть месторождение полезных ископаемых, управлять ядерным реактором в реальном времени.

Важную роль при создании ЭС играют инструментальные средства. Среди инструментальных средств для создания ЭС наиболее популярны такие языки программирования, как LISP и PROLOG , а также экспертные системы-оболочки (ЭСО): KEE, CENTAUR, G2 и GDA , CLIPS , АТ_ТЕХНОЛОГИЯ, предоставляющие в распоряжение разработчика — инженера по знаниям широкий набор для комбинирования систем представления знаний , языков программирования, объектов и процедур [ 6.5 ] , [ 6.6 ] .

Рассмотрим различные способы классификации ЭС .

По назначению ЭС делятся на:

• ЭС общего назначения.
• Специализированные ЭС :
  1. проблемно-ориентированные для задач диагностики, проектирования, прогнозирования
  2. предметно-ориентированные для специфических задач, например, контроля ситуаций на атомных электростанциях.

По степени зависимости от внешней среды выделяют:

Представления знаний в интеллектуальных системах, экспертные системы

Введение

Экспертная система (далее по тексту — ЭС) — это информационная система, назначение которой частично или полностью заменить эксперта в той или иной предметной области. Подобные интеллектуальные системы эффективно применяются в таких областях, как логистика, управление воздушными полетами, управление театром военных действий. Основною направленной деятельностью предсказание, прогнозирование в рамках определенного аспекта в предметной области.

Экскурс в историю экспертных систем

История экспертных систем берет свое начало в 1965 году. Брюс Бучанан и Эдвард Фейгенбаум начали работу над созданием информационной системы для определения структуры химических соединений.

Результатом работы была система под названием Dendral. В основе системы формировалась последовательность правил подобных к «IF – THEN». Информационная система не перестала развиваться и получила множество наследников, таких как ONCOIN – информационная система для диагностики раковых заболеваний, MYCIN – информационная система для диагностики легочных инфекционных заболеваний.

Следующим этапом стали 70-е годы. Период не выделялся особыми разработками. Было создано множество разных прототипов системы Dendral. Примером служит система PROSPECTOR, областью деятельности которой являлась геологические ископаемые и их разведка.
В 80-ых годах появляются профессия – инженер по знаниям. Экспертные системы набирают популярность и выходят на новый этап эволюции интеллектуальных систем. Появились новые медицинские системы INTERNIS, CASNE.

С 90-ых годов развитие интеллектуальных систем приобретает новые и новые методы и особенности. Нововведением становится парадигма проектирования эффективных и перспективных систем. Гибкость, четкость решения поставленных задач дало новое название – мультиагентных систем. Агент – фоновый процесс который действует в целях пользователя. Каждый агент имеет свою цель, «разум» и отвечает за свою область деятельности. Все агенты в совокупности образуют некий интеллект. Агенты вступают в конкуренцию, настраивают отношения, кооперируются, все как у людей.

В 21 век, интеллектуальной системой уже не удивишь никого. Множество фирм внедряет экспертные системы в области своей деятельности.

Быстродействующая система OMEGAMON разрабатывается c 2004 года с IBM, цель которой отслеживание состояния корпоративной информационной сети. Служит для моментального принятия решений в критических или неблагоприятных ситуациях.

G2 – экспертная система от фирмы Gensym, направленная на работу с динамическими объектами. Особенность этой системы состоит в том, что в нее внедрили распараллеливание процессов мышления, что делает ее быстрее и эффективней.

Структура экспертной системы

1. База знаний
Знания — это правила, законы, закономерности получены в результате профессиональной деятельности в пределах предметной области.
База знаний — база данных содержащая правила вывода и информацию о человеческом опыте и знаниях в некоторой предметной области. Другими словами, это набор таких закономерностей, которые устанавливают связи между вводимой и выводимой информацией.

2. Данные
Данные — это совокупность фактов и идей представленных в формализованном виде.
Собственно на данных основываются закономерности для предсказания, прогнозирования. Продвинутые интеллектуальные системы способные учиться на основе этих данных, добавляя новые знания в базу знаний.

3. Модель представления данных
Самая интересная часть экспертной системы.
Модель представления знаний (далее по тексту — МПЗ) — это способ задания знаний для хранения, удобного доступа и взаимодействия с ними, который подходит под задачу интеллектуальной системы.

4. Механизм логического вывода данных(Подсистема вывода)
Механизм логического вывода(далее по тексту — МЛВ) данных выполняет анализ и проделывает работу по получению новых знаний исходя из сопоставления исходных данных из базы данных и правил из базы знаний. Механизм логического вывода в структуре интеллектуальной системы занимает наиболее важное место.
Механизм логического вывода данных концептуально можно представить в виде :
А — функция выбора из базы знаний и из базы данных закономерностей и фактов соответственно
B — функция проверки правил, результатом которой определяется множество фактов из базы данных к которым применимы правила
С — функция, которая определяет порядок применения правил, если в результате правила указаны одинаковые факты
D — функция, которая применяет действие.

Какие существуют модели представления знаний?

Распространены четыре основных МПЗ:

• Продукционная МПЗ
• Семантическая сеть МПЗ
• Фреймовая МПЗ
• Формально логическая МПЗ

Продукционная МПЗ

В основе продукционной модели представления знаний находится конструктивная часть, продукция(правило):
IF , THEN
Продукция состоит из двух частей: условие — антецендент, действие — консеквент. Условия можно сочетать с помощью логических функций AND, OR .
Антецеденты и консеквенты составленных правил формируются из атрибутов и значений. Пример: IF температура реактора подымается THEN добавить стержни в реактор
В базе данных продукционной системы хранятся правила, истинность которых установлена к за ранее при решении определенной задачи. Правило срабатывает, если при сопоставлении фактов, содержащихся в базе данных с антецедентом правила, которое подвергается проверке, имеет место совпадение. Результат работы правила заносится в базу данных.

Пример

Пример продукции:
IF Температура = 39 AND Кашель = Есть AND Давление = 110-130 THEN Бронхит

Продукционная модель представления знаний нашла широкое применение в АСУТП

Среды разработки продукционных систем(CLIPS)

CLIPS (C Language Integrated Production System) — среда разработки продукционной модели разработана NASA в 1984 году. Среда реализована на языке С, именно потому является быстрой и эффективной.
Пример:

Подобное правило будет активировано только тогда, когда в базе данных появится факт симптома с подобными параметрами.

Семантическая сеть МПЗ

В основе продукционной модели лежит ориентированный граф. Вершины графа — понятия, дуги — отношения между понятиями.
Особенностью является наличие трех типов отношений:

• класс — подкласс
• свойство — значение
• пример элемента класса

По количеству типов отношений выделяют однородные и неоднородные семантические сети. Однородные имею один тип отношения между всеми понятиями, следовательно, не однородные имею множество типов отношений.

Все типы отношений:

• часть — целое
• класс — подкласс
• элемент — количество
• атрибутивный
• логический
• лингвистический

Пример

Недостатком МПЗ является сложность в извлечении знаний, особенно при большой сети, нужно обходить граф.

Фреймовая МПЗ

Предложил Марвин Мински в 1970 году. В основе фреймовой модели МПЗ лежит фрейм. Фрейм — это образ, рамка, шаблон, которая описывает объект предметной области, с помощью слотов. Слот — это атрибут объекта. Слот имеет имя, значение, тип хранимых данных, демон. Демон — процедура автоматически выполняющаяся при определенных условиях. Имя фрейма должно быть уникальным в пределах одной фреймовой модели. Имя слота должно быть уникальным в пределах одного фрейма.

Слот может хранить другой фрейм, тогда фреймовая модель вырождается в сеть фреймов.

Пример

Пример вырождающейся в сеть фреймов

На своей практике, мне доводилось встречать системы на основе фреймовой МПЗ. В университете в Финляндии была установлена система для управления электроэнергией во всем здании.

Языки разработки фреймовых моделей (Frame Representation Language)

FRL (Frame Representation Language) — технология создана для проектирования интеллектуальных систем на основе фреймовой модели представления знаний. В основном применяется для проектирования вырождающихся в сеть фреймовой модели.

Запись фрейма на языке FRL будет иметь вид:

Существуют и другие среды: KRL (Knowledge Representation Language), фреймовая оболочка Kappa, PILOT/2.

Формально логическая МПЗ

В основе формально логической МПЗ лежит предикат первого порядка. Подразумевается, что существует конечное, не пустое множество объектов предметной области. На этом множестве с помощью функций интерпретаторов установлены связи между объектами. В свою очередь на основе этих связей строятся все закономерности и правила предметной области. Важное замечание: если представление предметной области не правильное, то есть связи между объектами настроены не верно или не в полной мере, то правильная работоспособность системы будет под угрозой.

Пример

A1 = A2 = A3 = ; IF A1 AND A2 THEN
Банальней примера и не придумаешь.
Важно: Стоит заметить, что формально логическая МПЗ схожа с продукционной. Частично это так, но они имеют огромную разницу. Разница состоит в том, что в продукционной МПЗ не определены никакие связи между хранимыми объектами предметной области.

Важно

Любая экспертная система должна иметь вывод данных и последовательность «мышления» системы. Это нужно для того чтобы увидеть дефекты в проектировании системы. Хорошая интеллектуальная система должна иметь право ввода данных, которое реализуется через интеллектуальный редактор, право редактора на перекрестное «мышление» представлений при проектировании системы и полноту баз знаний(реализуется при проектировки закономерностей предметной области между инженером по знаниям и экспертом).

Заключение

Экспертные системы действительно имеют широкое применение в нашей жизни. Они позволяют экономить время реальных экспертов в определенной предметной области. Модели представления знаний это неотъемлемая часть интеллектуальных систем любого уровня. Поэтому, я считаю, что каждый уважающий себя IT-специалист, должен иметь даже поверхностные знания в этих областях.

Экспертные системы (14)

Главная > Курсовая работа >Информатика

Основные данные о работе

Содержание

1 Понятие OLAP 5

1.1 Многомерные кубы 6

1.2 Некоторые термины и понятия 6

1.3 OLAP на клиенте и на сервере 9

1.4 Технические аспекты многомерного хранения данных 11

2 Архитектура MICROSOFT ANALYSIS SERVICES 13

2.1 Службы преобразования данных 13

2.2 Репозитарий аналитических служб 13

2.3 Аналитические службы 14

3 Создание и заполнение хранилищ данных с помощью data

transformation services 21

3.1 Заполнение хранилища данных с помощью Data Transformation Services 21

3.2 Описание источников данных 21

Список использованных источников 26

Введение

Основной вопрос при обработке информации заключается в том, как обрабатывать все более и более крупные базы данных, содержащие данные с постоянно усложняю­щейся структурой, сохранив при этом приемлемое время реакции системы на запрос. Архитектура «клиент/сервер» позволяет организациям устанавливать специализиро­ванные серверы, оптимизированные для решения задач специфического управления данными. Для таких бизнес-приложений, как анализ рынка и финансовое прогнозиро­вание, требуется использовать запросо-центрированные схемы баз данных, которые, по сути, имеют вид многомерных массивов. Эти приложения характеризуются необходи­мостью извлекать большое количество записей из очень больших наборов данных и мгновенно вычислять на их основе итоговые значения. Предоставление поддержки для таких приложений является основным назначением всех OLAP-инструментов.

Оперативная аналитическая обработка (OLAP) – это динамический синтез, анализ и консолидация больших объемов многомерных данных.

Термин «OLAP» был предложен Коддом в 1993 году и определяет архитектуру, которая поддерживает сложные аналитические приложения. Большинство OLAP — приложений создается на основе специализированных многомерных СУБД или ММ СУБД (multi-dimensional DBMS) с ограниченным набором данных и настраиваемым пользовательским интерфейсом приложений. OLAP-архитектура предусматривает определенные уровни с четким разделением функций между приложением и СУБД. На основе этого разделения появилось новое поколение OLAP — инструментов, предос­тавляющих такие возможности, которые позволяют обычным СУБД конкурировать со специализированными технологиями ММ СУБД [2].

Цель данной работы заключается в раскрытии сущности технологии OLAP.

В соответствии с поставленной целью предполагается выполнение следующих задач :

дать понятие технологии OLAP;

описать OLAP на клиенте и на сервере;

описать архитектуру MICROSOFT ANALYSIS SERVICES;

создание и заполнение хранилищ данных с помощью DATA TRANSFORMATION SERVICES.

Методами исследования являются изучение различной научной и технической литературы.

Практическая значимость . Предварительное обобщение, использование иерархической структуры размерностей и управление заполнением пространства кубов данных по­зволяют значительно сократить размер базы данных и исключить потребность мно­гократного вычисления одних и тех же значений. Подобная структура позволяет из­бежать необходимости выполнения соединения нескольких таблиц, а также обеспе­чивает быстрый и прямой доступ к массивам данных, что существенно ускоряет обработку многомерных запросов.

Основная часть

Системы поддержки принятия решений обычно обладают средствами предоставления пользователю агрегатных данных для различных выборок из исходного набора в удобном для восприятия и анализа виде. Как правило, такие агрегатные функции образуют многомерный (и, следовательно, нереляционный) набор данных (нередко называемый гиперкубом или метакубом), оси которого содержат параметры, а ячейки — зависящие от них агрегатные данные1. Вдоль каждой оси данные могут быть организованы в виде иерархии, представляющей различные уровни их детализации. Благодаря такой модели данных пользователи могут формулировать сложные запросы, генерировать отчеты, получать подмножества данных [1].

Технология комплексного многомерного анализа данных получила название OLAP (On-Line Analytical Processing). OLAP — это ключевой компонент организации хранилищ данных.

Концепция OLAP была описана в 1993 году Эдгаром Коддом, известным исследователем баз данных и автором реляционной модели данных. В 1995 году на основе требований, изложенных Коддом, был сформулирован так называемый тест FASMI (Fast Analysis of Shared Multidimensional Information — быстрый анализ разделяемой многомерной информации), включающий следующие требования к приложениям для многомерного анализа:

— предоставление пользователю результатов анализа за приемлемое время (обычно не более 5 с), пусть даже ценой менее детального анализа;

— возможность осуществления любого логического и статистического анализа, характерного для данного приложения, и его сохранения в доступном для конечного пользователя виде;

— многопользовательский доступ к данным с поддержкой соответствующих механизмов блокировок и средств авторизованного доступа;

— многомерное концептуальное представление данных, включая полную поддержку для иерархий и множественных иерархий (это — ключевое требование OLAP);

— возможность обращаться к любой нужной информации независимо от ее объема и места хранения [5].

OLAP-функциональность может быть реализована различными способами, начиная с простейших средств анализа данных в офисных приложениях и заканчивая распределенными аналитическими системами, основанными на серверных продуктах.

1. 1 Многомерные кубы

Многомерные кубы представляют собой набор данных. Ячейки куба, показанного в Приложении, содержат агрегатные данные, соответствующие находящимся на осях куба значениям параметров запроса в предложении WHERE. Если в предложении WHERE содержится четыре или более параметров, результирующий набор значений (также называемый OLAP-кубом) может быть 4-мерным, 5- мерным и т.д.

Очевидно, что данные, содержащиеся в ячейках куба, можно получить и с помощью соответствующего запроса с предложением GROUP BY. Кроме того, некоторые электронные таблицы (в частности, Microsoft Excel 2000) также позволяют построить трехмерный набор данных и просматривать различные сечения куба, параллельные его грани, изображенной на листе рабочей книги (workbook).

1. 2 Некоторые термины и понятия

Наряду с суммами в ячейках OLAP-куба могут содержаться результаты выполнения иных агрегатных функций языка SQL, таких как MIN, MAX, AVG, COUNT, а в некоторых случаях — и других (дисперсии, среднеквадратичного отклонения и т.д.). Для описания значений данных в ячейках используется термин summary (в общем случае в одном кубе их может быть несколько), для обозначения исходных данных, на основе которых они вычисляются, — термин measure, а для обозначения параметров запросов — термин dimension (переводимый на русский язык обычно как «измерение», когда речь идет об OLAP-кубах, и как «размерность», когда речь идет о хранилищах данных). Значения, откладываемые на осях, называются членами измерений (members).

Например, суммарная стоимость заказов, сделанных клиентами в разных странах, либо суммарная стоимость заказов, сделанных иногородними клиентами или даже отдельными клиентами. Результирующий набор агрегатных данных во втором и третьем случаях будет более детальным, чем в первом.

Возможность получения агрегатных данных с различной степенью детализации соответствует одному из требований, предъявляемых к хранилищам данных, — требованию доступности различных срезов данных для сравнения и анализа [1].

Поскольку в рассмотренном примере в общем случае в каждой стране может быть несколько городов, а в городе — несколько клиентов, можно говорить об иерархиях значений в измерениях. В этом случае на первом уровне иерархии располагаются страны, на втором — города, а на третьем — клиенты (см. рис. 1.1).

Рисунок 1.1. Иерархия в измерении, связанном с географическим положением клиентов

Иерархии могут быть сбалансированными (balanced), как, например, иерархия, представленная на рисунке 1.1, а также иерархии, основанные на данных типа «дата — время», и несбалансированными (unbalanced). Типичный пример несбалансированной иерархии — иерархия типа «начальник—подчиненный», представлен на рисунке 1.2.

Рисунок 1.2. Несбалансированная иерархия

Существуют также иерархии, занимающие промежуточное положение между сбалансированными и несбалансированными (они обозначаются термином ragged — «неровный»). Обычно они содержат такие члены, логические «родители» которых находятся не на непосредственно вышестоящем уровне (например, в географической иерархии есть уровни Country, City и State, но при этом в наборе данных имеются страны, не имеющие штатов или регионов между уровнями Country и City) (см. рис. 1.3).

Рисунок 1.3. Неровная иерархия

Несбалансированные и «неровные» иерархии поддерживаются далеко не всеми OLAP-средствами. Например, в Microsoft Analysis Services 2000 поддерживаются оба типа иерархии, а в Microsoft OLAP Services 7.0 — только сбалансированные. Различным в разных OLAP-средствах может быть и число уровней иерархии, и максимально допустимое число членов одного уровня, и максимально возможное число самих измерений [1].

Экспертные системы

Экспертная система (ЭС, Expert system) — предиктивная система, включающая в себя знания об определенной слабо структурированной и трудно формализуемой узкой предметной области и способная предлагать и объяснять пользователю разумные решения. Экспертная система состоит из базы знаний, механизма логического вывода и подсистемы объяснений. Экспертная система включает в себя большое число структурных составляющих меньшего размера.

Содержание

Развитие ЭС

В начале восьмидесятых годов в исследованиях по искусственному интеллекту сформировалось самостоятельное направление, получившее название «экспертные системы» (ЭС). Целью исследований в этом новом направлении была разработка программ, которые при решении задач, сложных для эксперта-человека, получают результаты, не уступающие по качеству и эффективности решениям, получаемым экспертом. Для обозначения этой дисциплины также часто используют термин «инженерия знаний», введенный Е.Фейгенбаумом как «привнесение принципов и инструментария исследований из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов». На протяжении 1960—1985 гг. успехи в деле освоения искусственного интеллекта (ИИ) касались в основном исследовательских разработок, которые демонстрировали пригодность ИИ для практического использования. В 1988—1990 гг. экспертные системы стали активно применяться в коммерческих приложениях. На заре появления используемые для их создания языки программирования, технологии разработки приложений и используемого делали интеграцию ЭС с традиционными программными системами довольно сложной, а порой даже невыполнимой задачей. Однако в настоящее время средства разработки ЭС используются в полном соответствии с современными технологическими тенденциями традиционного программирования, что решает проблемы, возникающие при создании составных приложений.

Место в ИТ-инфрастрктуре

Назначение

Само название «Экспертные системы» подразумевает возможность замены эксперта-человека программным решением. Это позволяет предприятиям сокращать затраты на оплату труда специалистов, а самим специалистам обращаться при решении любых вопросов в рамках своей деятельности непосредственно к программе. Такие возможности сокращают время решения проблемы и позволяют молодым специалистам обучаться прямо на своем рабочем месте. Примером простейшей экспертной системы могут служить виртуальные «помощники» в пакетах ПО операционных систем компьютеров. Такие алгоритмы решения типовых вопросов избавляют разработчиков от излишней, непомерной и неоправданной нагрузки по общению с конечным пользователем.

Экспертные системы и системы искусственного интеллекта имеют основное отличие от систем обработки данных тем, что в них в основном используются символьный способ представления, символьный вывод и эвристический поиск решения. Экспертные системы предназначены для решения только сложных практических задач. По качеству и эффективности решения экспертные системы не должны уступать решениям эксперта-человека. Решения экспертных систем. могут быть объяснены пользователю на качественном уровне, то есть обладают прозрачностью. Прозрачность экспертных систем обеспечивается их способностью рассуждать о результатах своей работы и базах знаний. Важным свойством экспертных систем является и то, что они способны обучаться. ЭС решают задачи:

• интерпретации
• предсказаний
• диагностики
• планирования
• конструирования
• контроля
• отладки
• инструктажа
• управления

Такие задачи возникают в самых разных областях научных, деловых и промышленных областях. Программные средства, основанные на технологии экспертных систем, получили значительное распространение в мире. Важность экспертных систем состоит в следующем:

• существенно расширяют круг практически значимых задач, решение которых приносит значительный экономический эффект
• являются важнейшим средством сокращения длительности и, следовательно, высокой стоимости разработки сложных приложений
• объединение технологии ЭС с технологией традиционного программирования добавляет новые качества к программным продуктам за счет обеспечения динамичной модификации приложений пользователем, а не программистом, большей «прозрачности» приложения, лучшей графики, интерфейса и взаимодействия.

Неформализованные задачи

Особое внимание следует уделить неформализованным задачам, потому что именно для их решения и создавались экспертные системы. Неформализованные задачи обычно обладают следующими свойствами:

• ошибочность, неоднозначность, неполнота и противоречивость исходных данных
• ошибочность, неоднозначность, неполнота и противоречивость знаний о проблемной области и решаемой задаче
• большая размерность пространства решения, то есть перебор при поиске решения может быть очень большим
• динамически изменяющиеся данные и знания

Неформализованные задачи представляют большой и очень важный класс задач. Задачи такого плана являются наиболее массовым классом задач, решаемых ЭВМ.

Архитектура клиент-сервер

Существуют инструментальные средства искусственного интеллекта, поддерживающие распределенные вычисления по архитектуре клиент-сервер. Это предоставляет следующие преимущества:

• снижение стоимости оборудования, используемого в приложениях
• возможность децентрализовать приложения
• повышение надежности и общей производительности
• сокращение количества информации, пересылаемой между оборудованием

Преимущества

Существует ряд преимуществ экспертных систем как перед человеком-оператором, так и перед обычными алгоритмическими базами данных:

• интегрируемость. Существуют инструментальные средства, легко входящие в состав других информационных технологий и средств
• открытость и переносимость: у них нет предубеждений и они устойчивы к различным помехам;
• отсутствие поспешных выводов;
• выдача оптимального решения
• неограниченные размеры базы знаний.
• постоянное хранение данных: эксперт может что-то забыть, машина — никогда.

Перспективы развития

По мнению ведущих специалистов в области программирования, в недалекой перспективе ЭС будут играть важную роль в таких сферах, как:

• все фазы проектирования, разработки, производства, распределения, продажи, поддержки и оказания услуг
• интеграция приложений из готовых интеллектуально-взаимодействующих модулей в основные крупные программные решения
• решение неформализованных задач

Экспертные системы

Вы будете перенаправлены на Автор24

Понятие экспертных систем

Экспертная система (ЭС) – компьютерная система, предназначенная для частичной замены специалиста-эксперта в разрешении проблемной ситуации.

ЭС разрабатывались с 1970-х гг. исследователями искусственного интеллекта. Прообраз ЭС был предложен в 1832 г. С.Н. Корсаковым, который создал механические устройства, называемые интеллектуальными машинами, которые позволяли находить решения по заданным условиям (например, позволяли определить нужные лекарства по симптомам заболевания).

В начале 1980-х гг. в рамках исследований по искусственному интеллекту было сформировано самостоятельное направление, которое и получило название экспертных систем. Основное назначение ЭС состоит в разработке программных средств, которые получают при решении задач результаты, не уступающие по качеству и эффективности решениям человека-эксперта. ЭС используют для решения задач, не поддающихся формализации, например в следующих случаях:

• задачи невозможно задать в числовой форме;
• цель нельзя выразить с помощью точно определенной целевой функции;
• невозможно составить алгоритм решения задачи;
• если алгоритм составить можно, то его использование невозможно из-за ограниченности ресурсов (времени, памяти).

Таким образом, экспертная система – это программное средство, которое использует знания экспертов для обеспечения высокоэффективного решения неформализованных задач в узкой предметной области.

В основе ЭС лежит база знаний (БЗ) о предметной области, которая способна накапливаться в процессе построения и эксплуатации ЭС. Важнейшим свойством всех экспертных систем является накопление и организация знаний.

Готовые работы на аналогичную тему

Структура экспертных систем

• Пользователь;
• Интерфейс пользователя;
• Редактор базы знаний;
• Инженер по знаниям;
• Эксперт;
• Оперативная память;
• База знаний – содержит правила анализа информации от пользователя по конкретной проблеме. ЭС анализирует ситуацию и, в зависимости от своей направленности, выводит рекомендации по разрешению проблемы. База знаний экспертной системы включает факты (статические сведения о предметной области) и правила – набор инструкций, с помощью которых из уже существующих фактов можно получать новые факты.
• Механизм логического вывода;
• Подсистема объяснений.

Режимы функционирования

Существует 2 режима, в которых может работать экспертная система:

1. Режим ввода знаний – эксперт совместно с инженером по знаниям с помощью редактора базы знаний вводит данные о предметной области в базу знаний экспертной системы.
2. Режим консультации – пользователь в диалоговом режиме сообщает экспертной системе сведения о текущей задаче и получает рекомендации ЭС. Например, по введенным сведениям о физическом состоянии больного экспертная система сообщает о диагнозе в виде списка заболеваний, которые являются наиболее вероятными при данных симптомах.

Классификация экспертных систем

Статические ЭС решают задачи в условиях, когда исходные данные и знания не изменяются во времени.

Квазидинамические ЭС объясняют ситуацию, которая изменяется с течением времени (некоторое фиксированное значение интервала времени)

Динамические ЭС решают задачи в условиях, когда исходные данные и знания изменяются во времени.

Этапы разработки экспертной системы

1. Этап идентификации проблем – этап определения задач, подлежащих решению, выявления целей разработки, определение экспертов и типов пользователей.
2. Этап извлечения знаний – проведение содержательного анализа проблемной области, выявление используемых понятий и их взаимосвязей, определение методов решения задач.
3. Этап структурирования знаний – выбор ИС и определение способов представления всех видов знаний, формализация основных понятий, определение способов интерпретации знаний, моделирование работы системы, оценка адекватности целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.
4. Этап формализации – наиболее важный и трудоемкий этап разработки ЭС, на котором база знаний наполняется экспертом. Процесс приобретения знаний делится на получение знаний от эксперта, организацию знаний, которая обеспечивает эффективную работу системы, и представление знаний в понятном для ЭС виде.

Наиболее известные экспертные системы

CLIPS – достаточно популярная оболочка для построения экспертных систем.

OpenCyc – мощная динамическая экспертная система.

MYCIN – достаточно известная диагностическая система, предназначенная для диагностики и наблюдения за состоянием больного менингитом и бактериальными инфекциями.

HASP/SIAP – интерпретирующая система, определяющая местоположение и тип судна в Тихом океане по данным, полученным с акустических систем слежения.

Акинатор – интернет-игра, в которой игрок загадывает персонаж, а программа должна его отгадать, задавая вопросы.

IBM Watson – суперкомпьютер фирмы IBM, который может понимать вопросы на естественном языке и отвечать на них.