На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


курсовая работа Экспертные системы и их использование

Информация:

Тип работы: курсовая работа. Добавлен: 16.12.2012. Сдан: 2011. Страниц: 38. Уникальность по antiplagiat.ru: < 30%

Описание (план):


   Санкт-Петербургский  государственный политехнический  университет
   Кафедра «Информационные системы в экономике  и менеджменте» 
 
 
 
 
 
 
 
 
 
 

   Курсовая  работа 
 
 

   Дисциплина: Интеллектуальные информационные системы 
 

Тема: Экспертные системы и их использование 
 
 
 
 
 
 
 
 

Выполнил студент  гр.5074/3                                                                     Бакаева А.В.
Руководитель                                                                                              Широкова С.В. 
 
 
 
 
 
 
 
 
 
 
 

Санкт-Петербург
2011 
 
 

     Введение 

         Экспертные системы (ЭС) возникли  как значительный практический  результат в применении и развитии  методов искусственного интеллекта (ИИ)- совокупности научных дисциплин,  изучающих методы решения задач  интеллектуального (творческого) характера с использованием ЭВМ.
         Область ИИ 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 (автоматический перевод с одного естественного языка на другой), распознавание изображений и анализ сцен, планирование действий роботов, алгоритмы и стратегии игр.
         ЭС- это набор программ, выполняющий  функции эксперта при решении задач из некоторой предметной области. ЭС выдают советы, проводят анализ, дают консультации, ставят диагноз. Практическое применение ЭС на предприятиях способствует эффективности работы и повышению квалификации специалистов.
        Главным достоинством  экспертных систем является возможность накопления знаний и сохранение их длительное время. В отличии от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы. При решении задач, требующих обработки большого объема знаний, возможность возникновения ошибки при переборе очень мала.
        При создании ЭС возникает ряд затруднений. Это прежде всего связано с тем, что заказчик не всегда может точно сформулировать свои требования к разрабатываемой системе. Также возможно возникникновение 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, т. к. ЭС не способны обучаться, они не обладают здравым смыслом, интуицией. Но в настоящее время ведутся разработки экспертных систем, реализующих идею самообучения. Также ЭС неприменимы в больших предметных областях и в тех областях, где отсутствуют эксперты.
         Экспертная система состоит из базы знаний (части системы, в которой содержатся факты), подсистемы вывода (множества правил, по которым осуществляется решение задачи), подсистемы объяснения, подсистемы приобретения знаний и диалогового процессора .
         При построении подсистем вывода используют методы решения задач искусственного интеллекта. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

     Глава 1. Экспертные системы, их особенности.
     Применение  экспертных систем 

     1.1. Определение экспертных систем. Главное достоинство и назначение экспертных систем
          Экспертные системы (ЭС)- это яркое  и быстро прогрессирующее направление  в области искусственного  интеллекта(ИИ). Причиной повышенного интереса, который ЭС вызывают к себе  на протяжении всего своего  существования является возможность  их применения к решению задач из самых различных областей человеческой деятельности. Пожалуй, не найдется  такой проблемной области, в которой не было бы создано ни одной ЭС или по крайней мере, такие попытки не предпринимались бы.
         ЭС- это набор программ или  программное обеспечение, которое выполняет функции эксперта при решении какой-либо задачи в области его компетенции. ЭС, как  и эксперт-человек, в процессе своей работы оперирует со знаниями. Знания о предметной области, необходимые для работы ЭС, определенным образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться и дополняться в процессе развития системы.
         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.
         Главное достоинство ЭС- возможность  накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации  от наличия в ней квалифицированных специалистов. Накопление знаний позволяет повышать квалификацию специалистов, работающих на предприятии, используя наилучшие, проверенные решения.
         Практическое применение искусственного  интеллекта на машиностроительных предприятиях и в экономике основано на  ЭС, позволяющих повысить качество и сохранить время принятия решений, а также способствующих росту эффективности работы и повышению квалификации специалистов. 

     1.2. Отличие ЭС от других программных продуктов
         Основными  отличиями ЭС от  других программных   продуктов  являются использование не только  данных, но и знаний, а также специального механизма вывода решений и новых знаний на основе имеющихся. Знания в ЭС представляются в такой форме, которая может быть легко обработана на ЭВМ. В ЭС известен алгоритм обработки знаний, а не алгоритм решения задачи. Поэтому применение алгоритма обработки знаний может привести к получению такого результата при решении конкретной задачи, который не был предусмотрен. Более того, алгоритм обработки знаний заранее неизвестен и строится по ходу решения задачи на основании эвристических правил. Решение задачи в ЭС  сопровождается понятными пользователю  объяснениями, качество получаемых решений обычно не хуже, а иногда и лучше достигаемого специалистами. В системах, основанных на знаниях, правила (или эвристики), по которым решаются проблемы в конкретной предметной  области, хранятся в базе знаний. Проблемы ставятся перед системой в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение из этих фактов (см.. рис.1.1).
                                    база знаний

   входная                    механизм             
   информация              вывода                                                
    Рис. 1.1. Решение  задачи
         Качество ЭС определяется размером  и качеством базы  знаний (правил  или эвристик). Система функционирует в следующем циклическом режиме: выбор (запрос) данных или результатов анализов, наблюдения, интерпретация результатов, усвоение новой информации, выдвижении с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов (рис.2). Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.                                                                
         В любой момент времени в  системе существуют три типа  знаний:
     - Структурированные знания- статические  знания о предметной области.  После того как эти знания выявлены, они уже не изменяются.
     - Структурированные динамические  знания- изменяемые знания о предметной  области. Они обновляются по  мере выявления новой информации.
     - Рабочие знания- знания, применяемые  для решения конкретной задачи или проведения консультации. 
         Все перечисленные выше знания  хранятся в базе знаний. Для  ее построения требуется провести  опрос специалистов, являющихся  экспертами в конкретной предметной  области, а затем систематизировать,  организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний. 

                              Результаты анализов
                                  и  входные данные

          
                              выбор и ввод
                           исходных данных          

 
                              наблюдения                       пользователи
     
                            интерпретация                        правила

  гипотезы                  усвоение                              вывод
                                                                         
                                                                            заключения            

       Рис.1.2.  Схема работы ЭС. 

     1.3. Отличительные особенности. Экспертные системы первого и второго поколения
       1. Экспертиза может проводиться   только в одной конкретной  области. Так, программа, предназначенная  для определения кон-
     фигурации систем ЭВМ, не может ставить медицинские  диагнозы.
       2. База знаний и механизм вывода являются различными компонентами. Действительно, часто оказывается возможным сочетать механизм вывода с другими базами знаний для создания новых ЭС. Например, программа анализа инфекции в крови может быть применена в пульманологии путем замены базы знаний, используемой с тем же самым механизмом вывода.
       3. Наиболее подходящая  область  применения- решение задач дедуктивным  методом. Например, правила или  эвристики выражаются в виде  пар посылок и заключений типа  “если-то”.
       4. Эти системы могут объяснять ход решения задачи понятным пользователю способом. Обычно мы не принимаем ответ эксперта, если на вопрос “Почему ?” не можем получить логичный ответ. Точно так же мы должны иметь возможность спросить систему, основанную на знаниях, как было получено конкретное заключение.       
       5.  Выходные результаты являются  качественными (а не количественными).
       6. Системы, основанные на знаниях,  строятся по модульному принципу, что позволяет постепенно наращивать  их базы знаний.
         Компьютерные системы, которые могут лишь повторить логический вывод эксперта, принято относить к ЭС первого поколения. Однако специалисту, решающему интеллектуально сложную задачу, явно недостаточно возможностей системы, которая лишь имитирует деятельность человека. Ему нужно, чтобы ЭС выступала в роли полноценного помощника и советчика, способного проводить анализ нечисловых данных, выдвигать и отбрасывать гипотезы, оценивать достоверность фактов, самостоятельно пополнять свои знания, контролировать их непротиворечивость, делать заключения на основе прецедентов и, может быть, даже порождать решение новых, ранее не рассматривавшихся задач. Наличие таких возможностей является характерным для ЭС второго поколения, концепция которых начала разрабатываться 9-10 лет назад. Экспертные системы, относящиеся ко второму поколению, называют партнерскими, или усилителями интеллектуальных способностей человека. Их общими отличительными чертами является умение обучаться и развиваться, т.е. эволюционировать.
         В экспертных системах  первого поколения знания представлены следующим образом:
     1) знаниями системы являются только  знания эксперта, опыт накопления  знаний не предусматривается.
     2) методы представления знаний  позволяли описывать лишь статические  предметные области.
     3) модели представления знаний ориентированы на простые области.
         Представление знаний в экспертных  системах второго поколения следующее:
     1) используются не поверхностные  знания, а более глубинные. Возможно  дополнение предметной области.
     2) ЭС может решать задачи динамической базы данных предметной области.  
 
 
 
 
 
 

     1.4. 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 Стенфордском 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. Дамасская фирма Informat впервые в торговой практике предоставляет в распоряжении покупателей 13 рабочих станций, установленных в холле своего офиса, на которых проводятся бесплатные 15-минутные консультации с целью помочь покупателям выбрать компьютер, в наибольшей степени отвечающий их потребностям и бюджету. Кроме того, 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.
       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 применятся 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 ЭС 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).  

     1.5. Критерий использования ЭС для решения задач
        Существует ряд прикладных задач,  которые решаются с помощью  систем, основанных на знаниях,  более успешно, чем любыми другими  средствами. При определении целесообразности  применения таких систем нужно руководствоваться следующими критериями.
     1. Данные и знания надежны и  не меняются со временем.
     2. Пространство возможных решений  относительно невелико.
     3. В процессе решения задачи  должны использоваться формальные  рассуждения. Существуют системы, основанные на знаниях, пока еще не пригодные для решения задач методами проведения аналогий или абстрагирования (человеческий мозг справляется с этим лучше). В свою очередь традиционные компьютерные программы оказываются эффективнее систем, основанных на знаниях, в тех случаях, когда решение задачи связано с применением процедурного анализа. Системы, основанные на знаниях, более подходят для решения задач, где требуются формальные рассуждения.
     4. Должен быть по крайней мере  один эксперт, который способен  явно сформулировать свои знания и объяснить свои методы применения этих знаний для решения задач.
         В таблице один приведены сравнительные  свойства прикладных задач, по  наличию которых можно судить  о целесообразности использования  для их решения ЭС. 

     Таблица 1.1. Критерий применимости ЭС.
                   применимы                    неприменимы
     Не  могут быть построены строгие  алгоритмы или процедуры, но существуют эвристические методы решения.      Имеются эффективные алгоритмические методы.
     Есть  эксперты, которые способны решить задачу.      Отсутствуют эксперты или их число недостаточно.
     По  своему характеру задачи относятся  к области диагностики, интерпретации  или прогнозирования.      Задачи  носят вычислительный характер.
     Доступные данные “зашумленны”.      Известны  точные факты и строгие процедуры.
     Задачи  решаются методом формальных рассуждений.      Задачи  решаются прецедурными методами, с  помощью аналогии или интуитивно.
     Знания  статичны (неизменны).      Знания  динамичны (меняются со временем).
 
         В целом ЭС не рекомендуется  применять для решения следующих типов задач:
     - математических, решаемых обычным  путем формальных преобразований  и процедурного анализа;
     - задач распознавания, поскольку  в общем случае они решаются  численными методами;
     - задач, знания о методах решения  которых отсутствуют (невозможно построить базу знаний).  

     1.6. Ограничения в применение экспертных систем
         Даже лучшие из существующих  ЭС, которые эффективно функционируют  как на больших, так и на  мини-ЭВМ, имеют определенные  ограничения по сравнению с  человеком-экспертом.
     1. Большинство ЭС не вполне пригодны  для применения конечным пользователем.  Если вы не имеете некоторого  опыта работы с такими системами,  то у вас могут возникнуть  серьезные трудности. Многие системы  оказываются доступными только  тем экспертам, которые создавали из базы знаний.
     2. Вопросно-ответный режим, обычно  принятый в таких системах, замедляет  получение решений. Например, без  системы MYCIN врач может (а часто  и должен) принять решение значительно  быстрее, чем с ее помощью. 
     3. Навыки системы не возрастают после сеанса экспертизы.
     4. Все еще остается проблемой  приведение знаний, полученных от  эксперта, к виду, обеспечивающему  их эффективную машинную реализацию.
     5.  ЭС не способны обучаться, не  обладают здравым смыслом. Домашние  кошки способны обучаться даже без специальной дрессировки, ребенок в состоянии легко уяснить, что он станет мокрым, если опрокинет на себя стакан с водой, однако если начать выливать кофе на клавиатуру компьютера, у него не хватит “ума” отодвинуть ее.
     6. ЭС неприменимы в больших предметных областях. Их использование ограничивается предметными областями, в которых эксперт может принять решение за время от нескольких минут до нескольких часов.
     7. В тех областях, где отсутствуют  эксперты (например, в астрологии), применение ЭС оказывается невозможным.
     8. Имеет смысл привлекать ЭС  только для решения когнитивных  задач. Теннис, езда на велосипеде  не могут являться предметной  областью для ЭС, однако такие  системы можно использовать при  формировании футбольных команд.
     9. Человек-эксперт при решении задач обычно обращается к своей интуиции или здравому смыслу, если отсутствуют формальные методы решения или аналоги таких задач.
         Системы, основанные на знаниях,  оказываются неэффективными при  необходимости проведения скрупулезного анализа, когда число “решений” зависит от тысяч различных возможностей и многих переменных, которые изменяются во времени. В таких случаях лучше использовать базы данных с интерфейсом на естественном языке.
      
     1.7. Преимущества ЭС перед человеком - экспертом
         Системы, основанные на знаниях,  имеют определенные преимущества  перед человеком-экспертом. 
     1. У них нет предубеждений.
     2. Они не делают поспешных выводов.
     3. Эти системы работают систематизировано,  рассматривая все детали, часто  выбирая наилучшую альтернативу из всех возможных.
     4. База знаний может быть очень  и очень большой. Будучи введены  в машину один раз, знания  сохраняются навсегда. Человек же  имеет ограниченную базу знаний, и если данные долгое время  не используются, то они забываются и навсегда теряются.
    Системы, основанные на знаниях, устойчивы к “помехам”. Эксперт пользуется побочными знаниями и легко поддается влиянию внешних факторов, которые непосредственно не связаны с решаемой задачей. ЭС, не обремененные знаниями из других областей, по своей природе менее подвержены “шумам”. Со временем системы, основанные на знаниях, могут рассматриваться пользователями как разновидность тиражирования- новый способ записи и распространения знаний. Подобно другим видам компьютерных программ они не могут заменить человека в решении задач, а скорее напоминают орудия труда, которые дают ему возможность решат задачи быстрее и эффективнее.
     6. Эти системы не заменяют специалиста,  а являются инструментом в  его руках. 

     1.8. Основные линии развития ЭС
         Наиболее  известные ЭС, разработанные в 60-70-х годах, стали в своих областях уже классическими. По происхождению, предметным областям и по преемственности применяемых идей, методов и инструментальных программных средств их можно разделить на несколько семейств.
     1. META-DENDRAL.Система DENDRAL позволяет определить наиболее вероятную структуру химического соединения по экспериментальным данным (масс- спектрографии, данным ядерном магнитного резонанса и др.).M-D автоматизирует процесс приобретения знаний для DENDRAL. Она генерирует правила построения фрагментов химических структур.
     2. MYCIN-EMYCIN-TEIREIAS-PUFF-NEOMYCIN. Это семейство медицинских ЭС и сервисных программных средств для их построения.
     3. PROSPECTOR-KAS. PROSPECTOR- предназначена для поиска (предсказания) месторождений на основе геологических анализов. KAS- система приобретения знаний для PROSPECTOR.
     4. CASNET-EXPERT. Система CASNET- медицинская ЭС для диагностики выдачи рекомендаций по лечению глазных заболеваний. На ее основе разработан язык инженерии знаний EXPERT, с помощью которой создан ряд других медицинских диагностических систем.
     5. HEARSAY-HEARSAY-2-HEARSAY-3-AGE. Первые две системы этого ряда являются развитием интеллектуальной системы распознавания слитной человеческой речи, слова которой берутся из заданного словаря. Эти системы отличаются оригинальной структурой, основанной на использовании доски объявлений- глобальной базы данных, содержащей текущие результаты работы системы. В дальнейшем на основе этих систем были созданы инструментальные системы HEARSAY-3 и AGE (Attempt to Generalize- попытка общения) для построения ЭС.
     6. Системы AM (Artifical Mathematician- искусственный математик) и EURISCO были разработаны в Станфордском университете доктором Д. Ленатом для исследовательских и учебных целей. Ленат считает, что эффективность любой ЭС определяется закладываемыми в нее знаниями. По его мнению, чтобы система была способна к обучению, в нее должно быть введено около миллиона сведений общего характера. Это примерно соответствует объему информации, каким располагает четырехлетний ребенок со средними способностями. Ленат также считает, что путь создания узкоспециализированных ЭС с уменьшенным объемом знаний ведет к тупику.
         В систему AM первоначально было  заложено около 100 правил вывода и более 200 эвристических алгоритмов обучения, позволяющих строить произвольные математические теории и представления. Сначала результаты работы системы были весьма многообещающими. Она могла сформулировать понятия натурального ряда и простых чисел. Кроме того, она синтезировала вариант гипотезы Гольдбаха о том, что каждое четное число, большее двух, можно представить в виде суммы двух простых чисел. До сих пор не удалось ни найти доказательства данной гипотезы, ни опровергнуть ее. Дальнейшее развитие системы замедлилось и было отмечено, что несмотря на проявленные на первых порах “математические способности”, система не может синтезировать новых эвристических правил, т.е. ее возможности определяются только теми эвристиками, что были в нее изначально заложены.
         При разработке системы EURISCO была  предпринята попытка преодолеть  указанные недостатки системы  AM. Как и в начале эксплуатации AM, первые результаты, полученные  с помощью EURISCO, были эффективными. Сообщалось, что система EURISCO может успешно участвовать в очень сложных играх. С ее помощью в военно-стратегической игре, проводимой ВМФ США, была разработана стратегия, содержащая ряд оригинальных тактических ходов. Согласно одному из них, например предлагалось взрывать свои корабли, получившие повреждения. При этом корабли, оставшиеся неповрежденными, получает необходимое пространство для выполнения маневра.
         Однако через некоторое время  обнаружилось, что система не  всегда корректно переопределяет  первоначально заложенные в нее  правила. Так, например, она стала нарушать строгое предписание обращаться  к программистам с вопросами только в определенное время суток. Т.о., система EURISCO, так же как и ее предшественница, остановилась в своем развитии, достигнув предела, определенного в конечном счете ее разработчиком.
         С 1990 года доктор Ленат во  главе исследовательской группы  занят кодированием и вводом  нескольких сот тысяч элементов  знаний, необходимых, по его мнению, для создания “интеллектуальной” системы. Этот проект назван Cyc (“Цик”, от английского слова enciklopaedia). 
 
 
 
 
 
 
 

     Глава 2. Этапы разработки экспертных систем 

     Разработка  программных комплексов экспертных систем как за рубежом, так и в  нашей стране находится на уровне скорее искусства, чем науки. Это  связано с тем, что долгое время системы искусственного интеллекта внедрялись в основном во время фазы проектирования, а чаще всего разрабатывалось несколько прототипных версий программ, прежде чем был получен конечный продукт. Такой подход действует хорошо в исследовательских условиях, однако в коммерческих условиях он является слишком дорогим, чтобы оправдать коммерчески жизненный продукт.
     Последовательность  этапов дана для общего представления  о создании идеального проекта. Конечно, последовательность эта не вполне фиксированная. В действительности каждый последующий этап разработки ЭС приносит новые идеи, которые могут повлиять на предыдущие решения и даже привести к их переработке. Именно поэтому многие специалисты по информатике весьма критично относятся к методологии экспертных систем. Они считают, что расходы на разработку таких систем очень большие, время разработки слишком длительное, а полученные в результате программы ложатся тяжелым бременем на вычислительные ресурсы.
     В целом за разработку экспертных систем целесообразно браться организации, где накоплен опыт по автоматизации рутинных процедур обработки информации, например:
     информационный  поиск;
     сложные расчеты;
     графика;
     обработка текстов.
     Решение таких задач, во-первых, подготавливает высококвалифицированных специалистов по информатике, необходимых для создания интеллектуальных систем, во-вторых, позволяет отделить от экспертных систем неэкспертные задачи. 

     2.1. Этап 1. Выбор подходящей  проблемы
     Этот  этап включает деятельность, предшествующую решению начать разрабатывать конкретную ЭС. Он включает:
    определение проблемной области и задачи;
    нахождение эксперта, желающего сотрудничать при решении проблемы, и назначение коллектива разработчиков;
    определение предварительного подхода к решению проблемы;
    анализ расходов и прибыли от разработки;
    подготовку подробного плана разработки.
     
         Рис. 2.1. Этапы разработки ЭС
     Правильный  выбор проблемы представляет, наверное, самую критическую часть разработки в целом. Если выбрать неподходящую проблему, можно очень быстро увязнуть в "болоте" проектирования задач, которые никто не знает, как решать. Неподходящая проблема может также привести к созданию экспертной системы, которая стоит намного больше, чем экономит. Дело будет обстоять еще хуже, если разработать систему, которая работает, но не приемлема для пользователей. Даже если разработка выполняется самой организацией для собственных целей, эта фаза является подходящим моментом для получения рекомендаций извне, чтобы гарантировать удачно выбранный и осуществимый с технической точки зрения первоначальный проект.
     При выборе области применения следует  учитывать, что если знание, необходимое  для решения задач, постоянное, четко формулируемое и связано с вычислительной обработкой, то обычные алгоритмические программы, по всей вероятности, будут самым целесообразным способом решения проблем в этой области,
     Экспертная  система ни в коем случае не устранит потребность в реляционных базах данных, статистическом программном обеспечении, электронных таблицах и системах текстовой обработки. Но если результативность задачи зависит от знания, которое является субъективным, изменяющимся, символьным или вытекающим частично из соображений здравого смысла, тогда область может обоснованно выступать претендентом на экспертную систему.
     Приведем  некоторые факты, свидетельствующие  о необходимости разработки и  внедрения экспертных систем:
    нехватка специалистов, расходующих значительное время для оказания помощи другим;
    потребность в многочисленном коллективе специалистов, поскольку ни один из них не обладает достаточным знанием;
    сниженная производительность, поскольку задача требует полного анализа сложное набора условий, а обычный специалист не в состоянии просмотреть (за отведенное время) все эти условия;
    большое расхождение между решениями самых хороших и самых плохих исполнителей;
    наличие конкурентов, имеющих преимущество в том, что они лучше справляются с поставленной задачей.
Подходящие  задачи имеют следующие характеристики:
    являются узкоспециализированными;
    не зависят в значительной степени от общечеловеческих знаний или соображении здравого смысла;
    не являются для эксперта ни слишком легкими, ни слишком сложными (время, необходимое эксперту для решения проблемы, может составлять от трех часов до трех недель);
    условия исполнения задачи определяются самим пользователем системы;
    имеет результаты, которые можно оценить.
     Обычно  экспертные системы разрабатываются  путем получения специфических  знаний от эксперта и ввода их в  систему. Некоторые системы могут  содержать стратегии одного индивида. Следовательно, найти подходящего эксперта - это ключевой шаг в создании экспертных .систем.
     В процессе разработки и последующего расширения системы инженер по знаниям  и эксперт обычно работают вместе. Инженер по знаниям помогает эксперту структурировать знания, определять и формализовать понятия и правила, необходимые для решения проблемы.
     Во  время первоначальных бесед они  решают, будет ли их сотрудничество успешным. Это немаловажно, поскольку обе стороны будут работать вместе по меньшей мере в течение одного года. Кроме них в коллектив разработчиков целесообразно включить потенциальных пользователей и профессиональных программистов.
     Предварительный подход к программной реализации задачи определяется исходя из характеристик  задачи и ресурсов, выделенных на ее решение. Инженер по знаниям выдвигает обычно несколько вариантов, связанных с использованием имеющихся на рынке программных средств. Окончательный выбор возможен лишь на этапе разработки прототипа.
     После того как задача определена, необходимо подсчитать расходы и прибыли от разработки экспертной системы. В расходы включаются затраты на оплату труда коллектива разработчиков. В дополнительные расходы приобретаемого программного инструментария, с помощью которого разрабатывается экспертная система.
     Прибыль возможна за счет снижения цены продукции, повышения производительности труда, расширения номенклатуры продукции  или услуг или даже разработки новых видов продукции или  услуг в этой области. Соответствующие  расходы и прибыли от системы определяются относительно времени, в течение которого возвращаются средства, вложенные в разработку. На современном этапе большая часть фирм, развивающих крупные экспертные системы, предпочли разрабатывать дорогостоящие проекты, приносящие значительные прибыли.
     Наметились  тенденции разработки менее дорогостоящих  систем, хотя и с более длительным сроком возвращаемости вложенных в  них средств, так как программные  средства разработки экспертных систем непрерывно совершенствуются.
     После того как инженер по знаниям убедился, что:
      данная задача может быть решена с помощью экспертной системы;
      экспертную систему можно создать предлагаемыми на рынке средствами;
      имеется подходящий эксперт;
      предложенные критерии производительности являются разумными;
      затраты и срок их возвращаемости приемлемы для заказчика.
     он  составляет план разработки. План определяет шаги процесса разработки и необходимые  затраты, а также ожидаемые результаты. 
 
 
 

     2.2. Этап 2. Разработка  прототипной экспертной  системы
     Прототипная система является усеченной версией экспертной системы, спроектированной для проверки правильности кодирования фактов, связей и стратегий рассуждения эксперта. Она также дает возможность инженеру по знаниям привлечь эксперта к активному участию в разработке экспертной системы и, следовательно, к принятию им обязательства приложить все усилия для создания системы в полном объеме.
     Объем прототипа - несколько десятков правил, фреймов или примеров. На рис. 2.2 изображены шесть стадий разработки прототипа и минимальный коллектив разработчиков, занятых на каждой из стадий. Приведем краткую характеристику каждой из стадий, хотя эта схема представляет грубое приближение к сложному итеративному процессу.
     
     Рис. 2.2.Стадии разработки прототипа ЭС 

     Хотя  любое теоретическое разделение бывает часто условным, осознание  коллективом разработчиков четких задач каждой стадии представляется целесообразным. Роли разработчиков (эксперт, программист, пользователь и аналитик) являются постоянными на протяжении всей разработки. Совмещение ролей нежелательно.
     Сроки приведены условно, так как зависят  от квалификации специалистов и особенностей задачи.
     Идентификация проблемы
     Уточняется  задача, планируется ход разработки прототипа экспертной системы, определяются:
    необходимые ресурсы (время, люди, ЭВМ и т.д.);
    источники знаний (книги, дополнительные эксперты, методики);
    имеющиеся аналогичные экспертные системы;
    цели (распространение опыта, автоматизация рутинных действий и др.);
    классы решаемых задач и т.д.
     Идентификация проблемы - знакомство и обучение коллектива разработчиков, а также создание неформальной формулировки проблемы.
     Средняя продолжительность 1 - 2 недели.
     Извлечение  знаний
     Происходит  перенос компетентности экспертов  на инженеров по знаниям с использованием различных методов:
    анализ текстов;
    диалоги;
    экспертные игры;
    лекции;
    дискуссии;
    интервью;
    наблюдение и другие.
     Извлечение  знаний - получение инженером по знаниям наиболее полного представления о предметной области и способах принятия решения в ней.
     Средняя продолжительность 1 -3 месяца.
     Структурирование  или концептуализация знаний
     Выявляется  структура полученных знаний о предметной области, т.е. определяются:
    терминология;
    список основных понятий и их атрибутов;
    отношения между понятиями;
    структура входной и выходной информации;
    стратегия принятия решений;
    ограничения стратегий и т.д.
     Концептуализация знаний - разработка неформального описания знаний о предметной области в виде графа, таблицы, диаграммы или текста, которое отражает основные концепции и взаимосвязи между понятиями предметной области.
     Такое описание называется полем знаний. Средняя продолжительность этапа 2 - 4 недели.
     Формализация.
     Строится  формализованное представление  концепций предметной области на основе выбранного языка представления  знаний (ЯПЗ). Традиционно на этом этапе  используются:
    логические методы (исчисления предикатов I порядка и др.);
    продукционные модели (с прямым и обратным выводом);
    семантические сети;
    фреймы;
    объектно-ориентированные языки, основанные на иерархии классов, объектов и др.
     Формализация  знаний - разработка базы знаний на языке, который, с одной стороны, соответствует структуре поля знаний, а с другой - позволяет реализовать прототип системы на следующей стадии программной реализации.
     Все чаще на этой стадии используется симбиоз  языков представления знаний, например, в системе ОМЕГА - фреймы + семантические сети + полный набор возможностей языка исчисленияпредикатов. Средняя продолжительность 1 - 2 месяца.
     Реализация
     Создается прототип экспертной системы, включающий базу знаний и остальные блоки, при  помощи одного из следующих способов:
    программирование на традиционных языках типа Паскаль, Си и др.;
    программирование на специализированных языках, применяемых в задачах искусственного интеллекта: LISP, FRL , SmallTalk и др.;
    использование инструментальных средств разработки ЭС типа СПЭИС, ПИЭС;
    использование "пустых" ЭС или "оболочек" типа ЭКСПЕРТ, ФИАКР и др.
     Реализация - разработка программного комплекса, демонстрирующего жизнеспособность подхода в целом. Чаще всего первый прототип отбрасывается на этапе реализации действующей ЭС.
     Средняя продолжительность 1 - 2 месяца.
     Тестирование
     Оценивается и проверяется работа программ прототипа  с целью приведения в соответствие с реальными запросами пользователей. Прототип проверяется на:
     удобство  и адекватность интерфейсов ввода-вывода (характер вопросов в диалоге, связность выводимого текста результата и др.)
    эффективность стратегии управления (порядок перебора,использование нечеткого вывода и др.);
    качество проверочных примеров;
    корректность базы знаний (полнота инепротиворечивость правил).
     Тестирование - выявление ошибок в подходе и реализации прототипа и выработка рекомендаций по доводке системы до промышленного варианта.
     Средняя продолжительность 1 - 2 недели. 

     2.3. Этап 3. Развитие прототипа  до промышленной  ЭС
     При неудовлетворительном функционировании прототипа эксперт и инженер по знаниям имеют возможность оценить, что именно будет включено в разработку окончательного варианта системы.
     Если  первоначально выбранные объекты  или свойства оказываются неподходящими, их необходимо изменить. Можно сделать  оценку общего числа эвристических правил, необходимых для создания окончательного варианта экспертной системы. Иногда при разработке промышленной системы выделяют дополнительные этапы для перехода: демонстрационный прототип - исследовательский прототип - действующий прототип - промышленная система.
     Однако  чаще реализуется плавный переход  от демонстрационного прототипа  к промышленной системе, при этом, если программный инструментарий выбран удачно, необязательна перепись другими  программными средствами.
     Понятие же коммерческой системы в нашей стране входит в понятие промышленный программный продукт, или промышленной ЭС в этой работе (табл.2.1). 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

     Таблица 2.1. Переход от прототипа к промышленной экспертной системе
     Демонстрационный  прототип ЭС      Система решает часть задач, демонстрируя ж из неспособность полхода (несколько десятков правил или понятий)
     Исследовательский прототип ЭС      Система решает большинство задач, но не устойчива  в работе и не полностью проверена [несколько сотен правил или понятий)
     Действующий прототип ЭС      Система надежно решает все задачи на реальных примерах, но для сложной задачи требует много времени и памяти
     Промышленная  система      Система обеспечивает высокое качество решений  при минимизации требуемого времени  и памяти: переписывается с использованием более эффективных средстн представления знаний
     Коммерческая  система      Промышленная  система, пригодная к продаже, т.е. хорошо документирована и снабжена сервисом
 
     Основное  на третьем этапе заключается  в добавлении большого числа дополнительных эвристик. Эти эвристики обычно увеличивают глубину системы, обеспечивая большее число правил для трудноуловимых аспектов отдельных случаев. В то же время эксперт и инженер по знаниям могут расширить охват системы, включая правила, управляющие дополнительными подзадачами или дополнительными аспектами экспертной задачи (метазнания).
     После установления основной структуры ЭС инженер по знаниям приступает к  разработке и адаптации интерфейсов, с помощью которых система  будет общаться с пользователем  и экспертом. Необходимо обратить особое внимание на языковые возможности интерфейсов, их простоту и удобство для управления работой ЭС. Система должна обеспечивать пользователю возможность легким и естественным образом спрашивать непонятное, приостанавливать работу и т.д. В частности, могут оказаться полезными графические представления.
     На  этом этапе разработки большинство  экспертов узнают достаточно о вводе  правил и могут сами вводить в  систему новые правила. Таким  образом, начинается процесс, во время  которого инженер по знаниям передает право собственности и контроля за системой эксперту для уточнения, детальной разработки и обслуживания. 
 
 
 
 
 
 
 
 
 
 

     2.4. Этап 4. Оценка системы
     После завершения этапа разработки промышленной экспертной системы необходимо провести ее тестирование в отношении критериев эффективности. К тестированию широко привлекаются другие эксперты с целью апробирования работоспособности системы на различных примерах. Экспертные системы оцениваются главным образом для того, чтобы проверить точность работы программы и ее полезность. Оценку можно проводить, исходя из различных критериев, которые сгруппируем следующим образом:
      критерии пользователей (понятность и "прозрачность" работы системы, удобство интерфейсов и др.);
      критерии приглашенных экспертов (оценка советов-решений, предлагаемых системой, сравнение ее с собственными решениями, оценка подсистемы объяснений и др.);
      критерии коллектива разработчиков (эффективность реализации, производительность, время отклика, дизайн, широта охвата предметной области, непротиворечивость БЗ, количество тупиковых ситуаций, когда система не может принять решение, анализ чувствительности программы к незначительным изменениям в представлении знаний, весовых коэффициентах, применяемых в механизмах логического вывода, данных и т.п.).
 
     2.5. Этапы 5-6. Стыковка системы и ее поддержка
     На  этом этапе осуществляется стыковка экспертной системы с другими  программными средствами в среде, в  которой она будет работать, и  обучение людей, которых она будет  обслуживать. Иногда это означает внесение существенных изменений. Такое изменение требует непременного вмешательства инженера по знаниям или какого-либо другого специалиста, который сможет модифицировать систему. Под стыковкой подразумевается также разработка связей между экспертной системой и средой, в которой она действует.
     Когда экспертная система уже готова, инженер  по знаниям должен убедиться в том, что эксперты, пользователи и персонал знают, как эксплуатировать и обслуживать ее. После передачи им своего опыта в области информационной технологии инженер по знаниям может полностью предоставить ее в распоряжение пользователей.
     Для подтверждения полезности системы  важно предоставить каждому из пользователей  возможность поставить перед  ЭС реальные задачи, а затем проследить, как она выполняет эти задачи. Чтобы система была одобрена, необходимо представить ее как помощника, освобождающего пользователей от обременительных задач, а не как средство их замещения.
     Стыковка  включает обеспечение связи ЭС с  существующими базами данных и другими системами на предприятии, а также улучшение системных факторов, зависящих от времени, чтобы можно было обеспечить ее более эффективную работу и улучшить характеристики ее технических средств, если система работает в необычной среде (например, связь с измерительными устройствами).
     Кроме того, если оператор не уверен в том, как устранить неисправность, система  предоставляет ему обучающие  материалы, которые фирма подготовила  предварительно, и показывает ему  на видеотерминале. Таким образом, мастер по ремонту может с помощью экспертной системы диагностировать проблему, найти тестовую процедуру, которую он должен использовать, получить на дисплее объяснение, как провести тест, или получит инструкции о том, как справиться с возникшей проблемой.
      При перекодировании системы на язык, подобный Си, повышается ее быстродействие и увеличивается переносимость, однако гибкость при этом уменьшается. Это приемлемо лишь в том случае, если система сохраняет все знания проблемной области, и это знание не будет изменяться в ближайшем будущем. Однако, если экспертная система создана именно из-за того, что проблемная область изменяется, то необходимо поддерживать. 
 

     Глава 3. Стратегии получения  знаний 

     Существует  несколько стратегий получения  знаний. Наиболее распространенные:
    • приобретение;
    • извлечение;
    • формирование.
     Под приобретением знаний понимается способ автоматизированного построения базы знаний посредством диалога эксперта и специальной программы (при этом структура знаний заранее закладывается в программу). Эта стратегия требует существенной предварительной проработки предметной области. Системы приобретения знаний действительно приобретают готовые фрагменты знаний в соответствии со структурами, заложенными разработчиками систем. Большинство этих инструментальных средств специально ориентировано на конкретные экспертные системы с жестко обозначенной предметной областью и моделью представления знаний, т.е. не являются универсальными. Например, система TEIRESIAS, ставшая прародительницей всех инструментариев для приобретения знаний, предназначена для пополнения базы знаний системы MYCIN или ее дочерних ветвей, построенных на "оболочке" EMYCIN в области медицинской диагностики с использованием продукционной модели представления знаний.
и т.д.................


Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть полный текст работы бесплатно


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.