Обобщена структура на експертна система
Голяма част от съществуващите експертни системи използват знания, представени във вид на продукционни правила. Такива експертни системи се наричат системи, основани на правила (Rule-Based Expert Systems). Затова за определеност ще бъде разгледана архитектурата на този тип експертна система.
Подсистема за придобиване на знания
Придобиването на знания е най-трудоемкия етап от създаването на даде-на експертна система. Обикновено процесът на придобиване на знания е свър-зан с поредица интервюта между т. нар. информатик по знанията (често в литературата за него се използват термините инженер, специалист или технолог по знанията) и експерт(и) от предметната област.
Процесът на придобиване на знания с помощта на интервюта между информатика по знанията и експерта от предметната област е много бавен и неефективен. Той се смята за “тясното място” на процеса на съз-даване на експертни системи. Най-важните причини за тази неефективност са следните:
· Специалистите в дадена област си имат жаргон и често експертите труд-но превеждат техните знания на обикновен език. Често е възможно нееднознач-но разбиране на понятията на този жаргон, тъй като те не допускат прецизна математическа или логическа дефиниция. Например военният специалист може да говори за “агресивния характер” на чужда военна сила, без да може да опре-дели точно каква е разликата с армиите, които не са агресивни.
· Фактите и принципите, заложени в много от областите, към които се проявява интерес, не могат да бъдат изразени точно чрез математически тер-мини или чрез някакъв детерминистичен модел, чиито свойства са добре опре-делени. Например финансовият експерт може да знае кои събития предизвикват покачване или понижаване на борсовия индекс, но точните механизми, които довеждат до тези събития, или силата на въздействие не могат да бъдат опреде-лени или предвидени със сигурност. Статистическите модели могат да допри-несат за съставяне на твърде общи и дъргосрочни прогнози, но обикновено те не показват какви действия трябва да бъдат предприети за кратък период от време.
· От експертите се изискват повече познания, отколкото познаването на фактите и принципите в областта, за да могат задачите да бъдат решени. На-пример обикновено те знаят коя информация е важна за дадени заключения, до-колко надеждни са различните източници на информация и как да се опрости за-дачата, като се раздели на подзадачи, които могат да бъдат решени в една или друга степен независимо. Извличането на такъв вид знания, които се основават на личен опит, а не на формално обучение, е много по-трудно от извличането на определени факти или общи принципи.
· Експертността дори и в относително специализирани области често е в рамките на по-широк контекст, който съдържа значителна част от общи знания за заобикалящия свят. Нека например да се разгледат съдебните експерти. Трудно е да се определи количеството и естеството на общите знания, които са необходими за разглеждането на дадено дело.
Неудовлетворението от метода на интервюиране е накарало някои изсле-дователи да търсят методи за автоматизация на процеса на придобиване на зна-ния. Едно от направленията за изследване е автоматизираното извличане на знания, при което знанията на експерта се трансформират в компютърна програма в резултат на диалог между човек и машина. Други изследователи са се обърнали към областта от изкусвения интелект – машинно обучение за реша-ване на този проблем. Идеята е, че една компютърна система трябва да може да се научи да решава задачи по същия начин, както това прави човек – чрез примери.
Най-лявата част на схемата от фиг. 4.2 е свързана с празна експертна сис-тема. Празните експертни системи, наречени ядра на експертните системи (Ex-pert System Shells) са програмни среди, чиито бази от знания са незапълнени. По същество включват реализация на формализъм или няколко формализма за представяне на знания и реализация на съответните средства за извод, т.е. интерполатор(и). Обикновено структурата на създадените с тяхна помощ конкретни експертни системи е фиксирана. Тя се определя до голяма степен от орга-низацията на съответната празна експертна система. Средите за представяне на знания са развитие на понятието празна експертна система. Те предоставят сред-ства за използване на различни формализми за представяне на знания (много често фреймове и правила), както и средства за: организация на диалога с по-требителя и експерта; за поддържане на големи и сложни бази от знания; връзка с други програмни среди и др.
Един от най-популярните примери за празна експертна система е EMYCIN [37], създадена в Станфордския университет, САЩ. По същество е предметно независима версия на системата за медицински консултации MYCIN. Подходя-ща е създаване на експертни системи за решаване на задачи, свързани с диаг-ностика на: заболявания, технически неизправности и др. За тези задачи е ха-рактерно наличието на голям брой входни фактори (съответните симптоми, данни от измервания, лабораторни тестове и др.), които в много случаи може да не са съвсем точни. Крайните решения, т.е. възможните диагнози, обаче трябва да бъдат сравнително точно описани и ясно разграничени. Знанията в EMYCIN се представят с помощта на продукционни правила. Общият вид на правилата е следния:
<правило> : : = (if <предпоставка> then <действие> [else <действие>])
<предпоставка> : : = ($and <условие> <условие> … <условие>)
<условие> : : = ($or <условие> <условие> … <условие> |
<предикат> <асоциативна тройка>)
<асоциативна тройка> : : = (<атрибут> <обект> … <стойност>
Неточността на данните се представя, като с всяка асоциативна тройка се свързва съответен фактор на достоверност. Той е число между –1 и +1, като краищата на този интервал съотвестват на логическите стойности лъжа (-1) и истина (+1). Факторът на достоверност, равен на 0, съотвества на липса на мне-ние. Предикатите $and и $or изчисляват съответно минималната и максимална-та стойност на факторите на достоверност на своите аргументи. За да се приеме една предпоставка в правило за истина, се дефинира някаква прагова стойност на резултантната достоверност (обикновено 0.2), а за лъжа – друга прагова стойност (например –0.2). Разработена е и система за поддържане и преизчис-ляване на достоверността в процеса на логически извод.
