Вы находитесь на странице: 1из 11

Содержание

1 Глава теоретическая часть


1.1 экспертные программы – это…

1.2 характеристика экспертных программ

1.3 виды экспертных систем

1.4 принцип работы и устройство экспертных программ

1.5 история появления экспертных программ

1.6 области применения экспертных систем

1.7 ввод в практическую часть

2 Глава практическая часть

2.1 заключение

2.2 Список литературы

2.3 приложения
Тема: «Экспертные Программы»

Введение в заблуждение

Никого не удивляет, что ещё каких-то 15 лет назад громоздкие трубки с маленьким
серым экраном были в моде. И, на самом деле, не зря. Им ведь тогда просто не было
альтернатив. Сейчас же каждый год выходят смартфоны нового поколения. Даже понимая
то, насколько быстро развиваются технологии, мы не сможем предсказать, каким будет
наш мир в 2120 году. Но мы можем проследить тенденции. Мы больше не передвигаемся
на лошадях, ведь есть автомобили. Мы больше не читаем газеты и редко смотрим ТВ. Ну,
разумеется, у нас же есть интернет. Солдаты больше не сражаются на мечах, ведь
огнестрельное оружие куда эффективней. Таким образом, мы видим, что старым вещам на
замену приходят новые, более эффективные и продвинутые. Так почему же и мы не
станем исключением?

Актуальность: С каждым из нас нередко случались случаи, когда происходит


какая-либо беда

Цели: Постараться предположить развитие Искусственного Интеллекта в


ближайшем будущем.

Задачи:

1) Разобраться, что именно представляет собой Искусственный Интеллект: как работает и


что характеризует.
2) Изучить историю развития Искусственного Интеллекта.
3) Выяснить, какое место в нашей жизни занимает Искусственный Интеллект сегодня.

Предполагаемый результат:

Сделать прогноз насчёт будущего Искусственного Интеллекта и его влияние на


человеческое общество.
Содержание
1 экспертные программы – это…

2 характеристика экспертных программ

3 виды экспертных систем

4 принцип работы и устройство экспертных программ

5 история появления экспертных программ

6 области применения экспертных систем

7 ввод в практическую часть

8 практическая часть

9 заключение

10 приложения

Список литературы
Теоретическая часть

Экспертные Программы

Экспертная система — это программа для компьютера, которая оперирует со знаниями в


определенной предметной области с целью выработки рекомендаций или решения проблем.
Экспертная система может полностью взять на себя функции, выполнение которых обычно
требует привлечения опыта человека-специалиста, или играть роль ассистента для человека,
принимающего решение. Другими словами, система (техническая или социальная),
требующая принятия решения, может получить его непосредственно от программы или через
промежуточное звено — человека, который общается с программой. Тот, кто принимает
решение, может быть экспертом со своими собственными правами, и в этом случае
программа может "оправдать" свое существование, повышая эффективность его работы.
Альтернативный вариант — человек, работающий в сотрудничестве с такой программой,
может добиться с ее помощью результатов более высокого качества. Вообще говоря,
правильное распределение функций между человеком и машиной является одним из
ключевых условий высокой эффективности внедрения экспертных систем.

Технология экспертных систем является одним из направлений искусственного интеллекта


(Artificial Intelligence — AI). Исследования в этой области сконцентрированы на разработке и
внедрении компьютерных программ, способных эмулировать (имитировать, воспроизводить)
те области деятельности человека, которые требуют мышления, определенного мастерства и
накопленного опыта. К ним относятся задачи принятия решений, распознавания образов и
понимания человеческого языка. Эта технология уже успешно применяется в некоторых
областях техники и жизни общества — органической химии, поиске полезных ископаемых,
медицинской диагностике. Перечень типовых задач, решаемых экспертными системами,
включает: извлечение информации из первичных данных (таких как сигналы, поступающие от
гидролокатора); диагностика неисправностей (как в технических системах, так и в
человеческом организме); структурный анализ сложных объектов (например, химических
соединений); выбор конфигурации сложных многокомпонентных систем (например,
распределенных компьютерных систем); планирование последовательности выполнения
операций, приводящих к заданной цели (например, выполняемых промышленными
роботами). Четкого формального определения экспертной системы, которое всех бы
удовлетворило, не существует — приведенное выше тоже довольно расплывчато. Но тем не
менее существует довольно много важных признаков, присущих в той или иной степени всем
экспертным системам.
Хотя известны и "обычные" программы, специализирующиеся на определенных задачах
из представленного перечня (или аналогичных им в смежных областях), в следующей главе
представлено, в чем состоит существенная разница между "обычным" подходом и
прелагаемым в сфере искусственного интеллекта и почему экспертные системы можно
выделить в отдельный, достаточно хорошо различимый класс программ.

Экспертные системы отличаются и от других видов программ из области искусственного


интеллекта. • Экспертные системы имеют дело с предметами реального мира, операции с
которыми обычно требуют наличия значительного опыта, накопленного человеком.
Множество программ из области искусственного интеллекта являются сугубо
исследовательскими и основное внимание в них уделяется абстрактным математическим
проблемам или упрощенным вариантам реальных проблем (иногда их называют
"игрушечными" проблемами), а целью выполнения такой программы является "повышение
уровня интуиции" или отработка методики. Экспертные системы имеют ярко выраженную
практическую направленность в научной или коммерческой области. • Одной из основных
характеристик экспертной системы является ее производительность, т.е. скорость получения
результата и его достоверность (надежность). Исследовательские программы искусственного
интеллекта могут и не быть очень быстрыми, можно примириться и с существованием в них
отказов в отдельных ситуациях, поскольку, в конце концов, — это инструмент исследования, а
не программный продукт. А вот экспертная система должна за приемлемое время найти
решение, которое было бы не хуже, чем то, которое может предложить специалист в этой
предметной области. • Экспертная система должна обладать способностью объяснить, почему
предложено именно такое решение, и доказать его обоснованность. Пользователь должен
получить всю информацию, необходимую ему для того, чтобы быть уверенным, что решение
принято "не с потолка". В отличие от этого, исследовательские программы "общаются" только
со своим создателем, который и так (скорее всего) знает, на чем основывается ее результат.
Экспертная система проектируется в расчете на взаимодействие с разными пользователями,
для которых ее работа должна быть, по возможности, прозрачной. Зачастую термин система,
основанная на знаниях (knowledge-based system), используется в качестве синонима термина
экспертная система, хотя, строго говоря, экспертная система — это более широкое понятие.
Система, основанная на знаниях, — это любая система, процесс работы которой основан на
применении правил отношений к символическому представлению знаний, а не на
использовании алгоритмических или статистических методов. Таким образом, программа,
способная рассуждать о погоде, будет системой, основанной на знаниях, даже в том случае,
если она не способна выполнить метеорологическую экспертизу. А вот чтобы иметь право
называться метеорологической экспертной системой, программа должна быть способна
давать прогноз погоды (другой вопрос — насколько он будет достоверен).

Базовые функции экспертных систем Поскольку теория экспертных систем выросла из


более общей концепции искусственного интеллекта, то нет ничего удивительного в том, что
проблематика этих областей имеет много общего. На некоторых из таких связей
акцентируется внимание в последующих разделах при обзоре литературы. Вы также встретите
в них ссылки на последующие главы этой книги, в которых та или иная тема будет
рассмотрена подробно. 1.3.1. Приобретение знаний Бучанан следующим образом
сформулировал функцию приобретения знаний [Buchanan et al, 1983]: "[Приобретение знаний
это] передача потенциального опыта решения проблемы от некоторого источника знаний и
преобразование его в вид, который позволяет использовать эти знания в программе".
Передача знаний выполняется в процессе достаточно длительных и пространных
собеседований между специалистом по проектированию экспертной системы (будем в
дальнейшем называть его инженером по знаниям) и экспертом в определенной предметной
области, способным достаточно четко сформулировать имеющийся у него опыт. По
существующим оценкам, таким методом можно сформировать от двух до пяти "элементов
знания" (например, правил влияния) в день. Конечно, это очень низкая скорость, а потому
многие исследователи рассматривают функцию приобретения знаний в качестве одного из
главных "узких мест" технологии экспертных систем [Feigenbaum, 1977]. Причин такой низкой
производительности предостаточно. Ниже перечислены только некоторые из них. •
Специалисты в узкой области, как правило, пользуются собственным жаргоном, который
трудно перевести на обычный "человеческий" язык (см. врезку 1.1). Но смысл жаргонного
"словечка" отнюдь не очевиден, а потому требуется достаточно много дополнительных
вопросов для уточнения его логического или математического значения. Например,
специалисты по военной стратегии говорят об "агрессивной демонстрации" иностранной
военной мощи, но при этом не могут объяснить, чем такая "агрессивная" демонстрация
отличается от демонстрации, не несущей угрозы. • Факты и принципы, лежащие в основе
многих специфических областей знания эксперта, не могут быть четко сформулированы в
терминах математической теории или детерминированной модели, свойства которой хорошо
понятны. Так, эксперту в финансовой области может быть известно, что определенные
события могут стать причиной роста или снижения котировок на фондовой бирже, но он
ничего вам не скажет точно о механизмах, которые приводят к такому эффекту, или о
количественной оценке влияния этих факторов. Статистические модели могут помочь сделать
общий долговременный прогноз, но, как правило, такие методы не работают в отношении
курсов конкретных акций на коротких временных интервалах. • Для того чтобы решить
проблему в определенной области, эксперту недостаточно просто обладать суммой знаний о
фактах и принципах в этой области. Например, опытный специалист знает, какого рода
информацией нужно располагать для формулировки того 15 или иного суждения, насколько
надежны различные источники информации и как можно расчленить сложную проблему на
более простые, которые можно решать более или менее независимо. Выявить в процессе
собеседования такого рода знания, основанные на личном опыте и плохо поддающиеся
формализации, значительно сложнее, чем получить простой перечень каких-то фактов или
общих принципов. • Экспертный анализ даже в очень узкой области, выполняемый
человеком, очень часто нужно поместить в довольно обширный контекст, который включает и
многие вещи, кажущиеся эксперту само собой разумеющимися, но для постороннего отнюдь
таковыми не являющиеся. Возьмем для примера эксперта-юриста, который принимает
участие в судебном процессе. Очень трудно очертить количество и природу знаний общего
рода, которые оказываются вовлечены в расследование того или иного дела.

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 <A,B,C,D>:
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 <условие>, THEN <действие>
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.