Logo GenDocs.ru

Поиск по сайту:  


Загрузка...

Шпоры по интеллектуальным информационным системам - файл Шпоры.doc


Шпоры по интеллектуальным информационным системам
скачать (295.7 kb.)

Доступные файлы (1):

Шпоры.doc618kb.13.01.2009 03:00скачать

содержание
Загрузка...

Шпоры.doc

  1   2   3
Реклама MarketGid:
Загрузка...

  1. Основные направления исследований в области ИИ

Интеллектуальные информационные системы проникают во все сферы нашей жизни, поэтому трудно провести строго классификацию направлений. Разработка интеллектуальных информационных cucmeм или систем, основанных на знаниях. Это одно из главных направлений ИИ. Основной целью построения таких систем являются выявление, исследование и применение знаний высококвалифицированных экспертов для решения сложных задач, возникающих на практике. При построении систем, основанных на знаниях (СОЗ), используются знания, накопленные экспертами в виде конкретных правил решения тех или иных задач. Частным случаем СОЗ являются экспертные системы (ЭС). Разработка естественно-языковых интерфейсов и машинный перевод. Системы машинного перевода с одного естественного языка на другой обеспечивают быстроту и систематичность доступа к информации, оперативность и единообразие перевода больших потоков, как правило, научно-технических текстов. Системы машинного перевода строятся как интеллектуальные системы, поскольку в их основе лежат БЗ в определенной предметной области и сложные модели, обеспечивающие дополнительную трансляцию «исходный язык оригинала — язык смысла - язык перевода». Генерация и распознавание речи. Системы речевого общения создается в целях повышения скорости ввода информации в ЭВМДразгрузки зрения и рук, а также для реализации речевого общещш на значительном расстоянии. В таких системах под текстом поднимают фонемный текст (как слышится). Обработка визуальной информации. В этом научном направлении решаются задачи обработки, анализа и синтеза изображений. Задача обработки изображений связана с трансформированием графических образов, результатом которого являются новые изображения. В задаче анализа исходные изображения преобразуются в данные другого типа, например в текстовые описания. Обучение и самообучение. Эта актуальная область ИИ включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний с использованием процедур анализа и обобщения данных. Распознавание образов. Это одно из самых ранних направлений ИИ, в котором распознавание объектов осуществляется на основании применения специального математического аппарата, обеспечивающего отнесение объектов к классам, а классы описываются совокупностями определенных значений признаков. Игры и машинное творчество. Машинное творчество охватывает сочинение компьютерной музыки, стихов, интеллектуальные системы для изобретения новых объектов. Создание интеллектуальных компьютерных игр является одним из самых развитых коммерческих направлений в сфере разработки программного обеспечения. Программное обеспечение систем ИИ. Инструментальные средства для разработки интеллектуальных систем включают специальные языки программирования, ориентированные на обработку символьной информации языки логического программирования, языки пред­ставления знаний, интегрированные про­граммные среды, содержащие арсенал инструментальных средств для создания систем ИИ ,а также оболочки экспертных систем, которые позволяют создавать прикладные ЭС, не прибегая к программированию. Новые архитектуры компьютеров. Это направление связано с созданием компьютеров не фон-неймановской архитектуры, ориентированных на обработку символьной информации.

^ Интеллектуальные роботы. Создание интеллектуальных роботов составляет конечную цель робототехники.


  1. Понятие системы с интеллектуальным интерфейсом.

Применение ИИ для усиления коммуникативных способностей информационных систем привело к появлению систем с интеллектуальным интерфейсом, среди которых можно выделить следующие типы.

1 ^ Интеллектуальные базы данных. Позволяют в отличие от традиционных БД обеспечивать выборку необходимой информации, не присутствующей в явном виде, а выводимой из совокупности хранимых данных.

2 ^ Естественно-языковой интерфейс. Применяется для доступа к интеллектуальным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд в системах управления, машинного перевода с иностранных языков. Для реализации ЕЯ-интерфейса необходимо решить проблемы морфологического, синтаксического и семантического анализа, а также задачу синтеза высказываний на естественном языке.

3 ^ Гипертекстовые системы. Используются для реализации поиска по ключевым словам в базах данных с текстовой информацией. Для более полного отражения различных смысловых отношений терминов требуется сложная семантическая организация ключевых слов. Решение этих задач осуществляется с помощью интеллектуальных гипертекстовых систем, в которых механизм поиска сначала работает с базой знаний ключевых слов, а затем — с самим текстом.

4 ^ Системы контекстной помощи. Относятся к классу систем распространения знаний. Такие системы являются, как правило, приложениями к документации. Системы контекстной помощи — частный случай гипертекстовых и ЕЯ-систем. В них пользователь описывает проблему, а система на основе дополнительного диалога конкретизирует ее и выполняет поиск относящихся к ситуации рекомендаций.

5 ^ Системы когнитивной графики. Ориентированы на общение с пользователем ИИС посредством графических образов, которые генерируются в соответствии с изменениями параметров моде­лируемых или наблюдаемых процессов. Когнитивная графика позволяет в наглядном и выразительном виде представить множество параметров, характеризующих изучаемое явление, освобождает пользователя от анализа тривиальных ситуаций, способствует быстрому освоению программных средств и повышению конкурентоспособности разрабатываемых ИИС.

  1. ^ Понятие самообучающейся системы.

Самообучающиеся интеллектуальные системы основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода. Стратегия «обучения с учителем» предполагает задание специалистом для каждого примера значений признаков, показывающих его принадлежность к определенному классу ситуаций. При обучении «без учителя» система должна самостоятельно выделять классы ситуаций по степени близости значений классификационных признаков. В процессе обучения проводится автоматическое построение обобщающих правил или функций, описывающих принадлежность ситуаций к классам, которыми система впоследствии будет пользоваться при интерпретации незнакомых ситуаций. Построенные в соответствии с этими принципами самообучающиеся системы имеют следующие недостатки:

• относительно низкую адекватность баз знаний возникающим реальным проблемам из-за неполноты и/или зашумленности обучающей выборки;

• низкую степень объяснимости полученных результатов;

• поверхностное описание проблемной области и узкую направленность применения из-за ограничений в размерности признакового пространства.

^ Индуктивные системы позволяют обобщать примеры на основе принципа индукции «от частного к общему». Процедура обобщения сводится к классификации примеров по значимым признакам. Алгоритм классификации примеров включает следующие основные шаги.

1 Выбор классификационного признака из множества заданных.

2 Разбиение множества примеров на подмножества по значению выбранного признака.

3 Проверка принадлежности каждого подмножества примеров одному из классов.

4 Проверка окончания процесса классификации. Если какое-то подмножество примеров принадлежит одному подклассу, т.е. у всех примеров этого подмножества совпадает значение классификационного признака, то процесс классификации заканчивается.

5 Для подмножеств примеров с несовпадающими значениями классификационных признаков процесс распознавания продолжается, начиная с первого шага. При этом каждое подмножество примеров становится классифицируемым множеством.

^ Нейронные сети представляют собой классический пример технологии, основанной на примерах. Нейронные сети — обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, «узнавая» впоследствии черты встреченных образцов и ситуаций. Нейронная сеть — это кибернетическая модель нервной системы, которая представляет собой совокупность большого числа сравнительно простых элементов — нейронов, топология соединения которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, следует выбрать способ соединения нейронов друг с другом и подобрать значения параметров межнейронных соединений.

В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты). Поиск решения осуще­ствляется на основе аналогий и включает следующие этапы:

• получение информации о текущей проблеме;

• сопоставление полученной информации со значениями признаков прецедентов из базы знаний;

• выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;

• адаптация выбранного прецедента к текущей проблеме;

• проверка корректности каждого полученного решения;

• занесение детальной информации о полученном решении вБЗ.

Системы, основанные на прецедентах, применяются для распространения знаний и в системах контекстной помощи.

^ Информационные хранилища отличаются от интеллектуальных баз данных, тем, что представляют собой хранилища значимой информации, регулярно извлекаемой из оперативных баз данных. Хранилище данных — это предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собра­ние данных, применяемых для поддержки процессов принятия управленческих решений. В хранилище данные интегрируются в целях удовлетворения требований предприятия в целом, а не отдельной функции бизнеса. Привязанность данных ко времени выражает их «историчность», т.е. атрибут времени всегда явно присутствует в структурах хранилища данных. Неизменяемость означает, что, попав однажды в хранилище, данные уже не изменяются в отличие от оперативных систем, где данные присутствуют только в последней версии, поэтому постоянно меняются.

  1. ^ Понятие адаптивной информационной системы.

Потребность в адаптивных информационных системах возникает в тех случаях, когда поддерживаемые ими проблемные области постоянно развиваются. В связи с этим адаптивные системы должны удовлетворять ряду специфических требований, а именно:

• адекватно отражать знания проблемной области в каждый момент времени;

• быть пригодными для легкой и быстрой реконструкции при изменении проблемной среды.

Адаптивные свойства информационных систем обеспечиваются за счет интеллектуализации их архитектуры. В процессе разработки адаптивных информационных систем применяется оригинальное или типовое проектирование. Оригинальное проектирование предполагает разработку информационной системы с «чистого листа» на основе сформулированных требований. При типовом проектировании осуществляется адаптация типовых разработок к особенностям проблемной области. Для реализации этого подхода применяются инструментальные средства компонентного (сборочного) проектирования информационных систем (R/3, BAAN IV, Prodis и др.). Главное отличие подходов состоит в том, что при использовании CASE-технологии на основе репозитория при изменении проблемной области каждый раз выполняется генерация программного обеспечения, а при использовании сборочной технологии — конфигурирование программ и только в редких случаях — их переработка.

  1. ^ Понятие ЭС. Схема обобщенной ЭС.

В течение последних десятилетий в рамках исследований по искусственному интеллекту (ИИ) сформировалось самостоятельное направление - экспертные системы (ЭС) или инженерия знании. В задачу этого направления входят исследование и разработка программ (устройств), использующие знания и процедуры вывода для решения задач, являющихся трудными для людей-экспертов.

Огромный интерес к ЭС со стороны пользователей вызван, по крайней мере, тремя причинами:

  • Во-первых, они ориентированы на решение широкого круга задач в неформализованных областях, на приложениях, которые до недавнего времени считались малодоступными для вычислительной техники.

  • Во-вторых, с помощью ЭС специалисты, не знающие программирования, могут самостоятельно разрабатывать интересующие их приложения, что позволяет резко расширить сферу использования вычислительной техники.

  • В-третьих, ЭС при решении практических задач достигают результатов, не уступающих, а иногда и превосходящих возможности людей-экспертов, не оснащенных ЭВМ.

Особенно широкое распространение ЭС получили в проектировании интегральных микросхем, в поиске неисправностей, в военных приложениях и автоматизации программирования. Применение ЭС позволяет: I) при проектировании интегральных микросхем повысить (по данным фирмы NEC) производительность труда в 3-6 раз, при этом выполнение некоторых операций ускоряется в 10-15 раз; 2) ускорить поиск неисправностей в сложных устройствах в 5-10 раз; 3) повысить производительность труда программистов (по данным фирмы ТОSHIВА) в 5 раз; 4) при профессиональной подготовке сократить (без потери качества) в 8-12 раз затраты на индивидуальную работу с обучаемыми.

В последнее время ведутся разработки ЭС для следующих приложений: раннее предупреждение национальных и международных конфликтов и поиск компромиссных решений; принятие решений в кризисных ситуациях; охрана правопорядка; образование; медицина) планирование и распределение ресурсов; система организационного управления (кабинет министров, муниципалитет, учреждение) и т.д.



^ 6. Назначение, особенности, структура ЭС. Процесс решения задачи с помощью ЭС в режиме консультации

Знания, которыми обладает специалист в какой-либо области (дисциплине), можно разделить на формализованные (точные) и неформализованные (неточные). Формализованные знания формируются в книгах и руководствах в виде общих и строгих суждений. Неформализованные знания, как правило, не попадают в книги и руководства в связи с их конкретностью, субъективностью и приблизительностью. Знания этого рода являются результатом обобщения многолетнего опыта работы и интуиции специалистов. В зависимости от того, какие знания преобладают в той или иной области (дисциплине), ее относят к формализованным (если преобладают точные знания) или к неформализованным (если преобладают неточные знания) описательным областям. Задачи, решаемые на основе точных знаний, называют формализованными, а задачи, решаемые с помощью неточных знаний - неформализованными. Традиционное программирование в качестве основы для разработки программы использует алгоритм, т.е. формализованное значение. По мнению авторитетов, основной задачей информатики является внедрение ее методов в описательные науки и дисциплины. На основании этого можно утверждать, что исследования в области ЭС занимают значительное место в информатике.

К неформализованным задачам относятся те, которые обладают одной или несколькими из следующих особенностей:

а) алгоритмическое решение задачи неизвестно (хотя, возможно, и существует) или не может быть использовано из-за ограниченности ресурсов ЭВМ (времени, памяти);

б) задача не может быть определена в числовой форме (требуется символьное представление);

в) цели задачи не могут быть выражены в терминах точно определенной целевой функции.

Экспертные системы не отвергают и не заменяют традиционного подхода к программированию, они отличаются от традиционных программ тем, что ориентированы на решение неформализованных задач и обладают следующими особенностями:

  • алгоритм решения не известен заранее, а строится самой ЭС с помощью символических рассуждений, базирующихся на эвристических приемах;

  • ясность полученных решений, т.е. система "осознает" в терминах пользователя, как она получила решение;

  • способность анализа и объяснения своих действий и знаний;

  • способность приобретения новых знаний от пользователя-эксперта, не знающего программирования, и изменения в соответствии с ними своего поведения (открытая система);

  • обеспечение "дружественного", как правило, естественно-языкового (ЕЯ) интерфейса с пользователем.

Обычно к ЭС относят системы, основанные на знании, т.е. системы, вычислительная возможность которых является в первую очередь следствием их наращиваемой базы знаний (БЗ) и только во вторую очередь определяется используемыми методами. Методы инженерии знаний (методы ЭС) в значительной степени инвариантны тому, в каких областях они могут применяться. Области применения ЭС весьма разнообразны: военные приложения, медицина, электроника, вычислительная техника, геология, математика, космос, сельское хозяйство, управление, финансы, юриспруденция, и т.д. База знаний в ЭС предназначена для хранения долгосрочных данных, описывающих рас-ю область (а не текущих данных), и правил, описывающие целесообразные преобразования данных этой области.

Решатель, используя исходные данные из БД и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.

^ Компонента приобретения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом.

Объяснительная компонента объясняет, как система получила решение задачи (или почему она не получила решения) и какие знания при этом она использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.

^ Диалоговая компонента ориентирована дружелюбного общения со всеми категориями пользователей, как в ходе решения задач, так и приобретения знаний, объяснения результатов работы.

В разработке ЭС участвуют представители следующих специальностей: эксперт в той проблемной области, задачи которой будет решать ЭС; инженер по знаниям (когнитолог) - специалист по разработке ЭС; программист - специалист по разработке инструментальных средств. Необходимо отметить, что отсутствие среди участников разработки инженера по знаниям (т.е. его замена программистом) либо приводит к неудаче в процессе создания ЭС, либо значительно удлиняет его.

Эксперт определяет знания (данные и правила), характеризующие проблемную область, обеспечивает полноту и правильность введения в ЭС знаний.

^ Инженер по знаниям помогает эксперту выявить и структурировать знания, необходимые для работы ЭС. Он выбирает тот инструментарий, который наиболее подходит для данной проблемной области, и определяет способ представления знаний в нем, выделяет и программирует (традиционными средствами) стандартные функции (типичные для данной проблемной области), которые будут использоваться в правилах, вводимых экспертом. Экспертная система работает в двух режимах: приобретения знаний и решения задач (называемом также режимом консультации или режимом использования ЭС).

^ В режиме консультации общение с ЭС осуществляет конечный пользователь, которого интересует результат и (или) способ получения решения. Пользователь в зависимости от назначения ЭС может не быть специалистом в данной проблемной области, в этом случае он обращается к ЭС за советом, не умея получить ответ сам, или быть специалистом, в этом случае он обращается к ЭС, чтобы либо ускорить процесс получения результата, либо возложить на ЭС рутинную работу. Термин "пользователь" является многозначным, так как кроме конечного пользователя применять ЭС может и эксперт, и инженер по знаниям, и программист. Поэтому, когда хотят подчеркнуть, что речь идет о том, для кого делалась ЭС, используют термин "конечный пользователь".

В режиме консультации данные о задаче пользователя обрабатываются диалоговой компонентой, которая выполняет следующие действия: распределяет роли участников (пользователя и ЭС) и организует их взаимодействие в процессе кооперативного решения задачи; преобразует данные пользователя о задаче, представленные на первичном для пользователя языке, во внутренний язык системы; преобразует сообщения системы, представленные на внутреннем языке в сообщения на языке, привычном для пользователя (обычно это ограниченный естественный язык или язык графики). В общем случае процесс решения задачи с помощью ЭС в режиме консультации может быть представлен в виде схемы.
^ 7. Классификация ЭС. Проблемная область.

Экспертные системы как любой сложный объект можно определить только совокупностью характеристик. Выделим следующие характеристики ЭС:

А. Назначение;

Б. Проблемная область;

В. Глубина анализа проблемной области;

Г. Тип используемых методов и знаний;

Д. Класс системы;

Е. Стадия существования;

Ж. Инструментальные средства.

Б. ^ Проблемная область может быть определена совокупностью параметров: предметной областью и задачами, решаемыми в предметной области, каждый из которых может рассматриваться с точки зрения как конечного пользователя, так и разработчика ЭС.

С точки зрения пользователя, предметную область можно характеризовать описанием области в терминах пользователя, включающим наименование области, перечень и взаимоотношение подобластей и т.п., а задачи, решаемые существующими ЭС, - их типом. Обычно выделяют следующие типы задач:

  • интерпретация символов или сигналов - составление смыслового описания по входным данным;

  • предсказание - определение последствий наблюдаемых ситуаций;

  • диагностика - определение состояния неисправностей, заболеваний по признакам (симптомам);

  • конструирование - разработка объекта с заданными свойствами при соблюдении установленных ограничений;

  • планирование - определение последовательности действий, приводящих к желаемому состоянию объекта;

  • слежение - наблюдение за изменяющимся состоянием объекта и сравнение его показателей с установленными или желаемыми;

  • управление - воздействие на объект для достижения желаемого поведения.

С точки зрения разработчика целесообразно выделять статические и динамические предметные области. Предметная область называется статической, если описывающие ее исходные данные не изменяются во времени (точнее рассматриваются как не изменяющиеся за время решения задачи). Решаемые задачи, с точки зрения разработчика ЭС, также можно разделить на статические и динамические. Будем говорить, что ЭС решает динамическую или статическую задач, если процесс решения задачи изменяет или не изменяет исходные данные о текущем состоянии предметной области. Решаемые задачи, кроме того, можно характеризовать следующими аспектами: числом и сложностью правил, используемых в задаче; связностью правил; пространством поиска; количеством активных агентов, изменяющих предметную область; классом решаемых задач.

По степени сложности выделяют простые и сложные правила,

К сложным относят правила, текст знаний которых на естественном языке занимает 1/3 страницы и больше. Правила, текст которых занимает менее 1/3 страницы относят к простым.



  1. ^ Классификация ЭС. По степени сложности структуры и типу используемых методов и знаний ЭС.

Экспертные системы как любой сложный объект можно определить только совокупностью характеристик. Выделим следующие характеристики ЭС:

А. Назначение;

Б. Проблемная область;

В. Глубина анализа проблемной области;

Г. Тип используемых методов и знаний;

Д. Класс системы;

Е. Стадия существования;

Ж. Инструментальные средства.

^ 9. Выбор формализма для представления знаний.

При проектировании ЭС перед разработчиками неизменно встает вопрос о выборе подходящего формализма для представления знаний. Решение этого вопроса является не только важнейшей стратегической задачей при разработке ЭС, но и достаточно сложной экспертной задачей.

Рассмотрим некоторые предложения (или критерии) по выбору адекватного формализма для представления знаний. Поскольку процесс выбора является творческой задачей и на сегодня не существует исчерпывающих рекомендаций по ее решению, то зафиксируем некоторые экспертные знания по этому вопросу Ниже представлены 8 критериев (рекомендаций) по выбору модели представления знаний на основе учета базовых характеристик предметной области – понятийной структуры предметной области. Для удобства все критерии сформулированы как правила вида: “Если (условие), то (действие)”.

  1. ЕСЛИ понятия простые И отношения между ними выражаются в языке исчисления предикатов И способ рассуждений дедуктивный, ТО целесообразно использовать логические модели.

  2. ЕСЛИ понятия являются в основном простыми И есть небольшое число отношений на понятиях И способ рассуждений индуктивный, ТО целесообразно использовать индуктивные модели.

  3. ЕСЛИ понятия устроены сложным образом И есть большое число отношений на понятиях И способ рассуждений – выдвижение гипотез, ТО целесообразно использовать сетевые модели.

  4. ЕСЛИ понятия устроены сложным образом И есть небольшое число отношений на понятиях И способ рассуждений дедуктивный, ТО целесообразно использовать наследственно-конечные модели (типа тезаурусов).

  5. ЕСЛИ понятия устроены сложным образом И большое число отношений на понятиях И способ рассуждений по аналогии или дедуктивный, ТО целесообразно использовать фреймовые модели.

  6. ЕСЛИ понятия устроены простым образом И большое число отношений на понятиях И способ рассуждений дедуктивный, ТО целесообразно использовать продукционные модели.

  7. ЕСЛИ понятия устроены сложным образом И структура многих понятий не ясна И способ рассуждений – выдвижение гипотез, ТО целесообразно использовать сетевые модели.

  8. ЕСЛИ понятия устроены сложным образом И есть большое число отношений на понятиях И способ рассуждений индуктивный, ТО подходящий формализм отсутствует.

С точки зрения классификации знаний по “глубине” и “жесткости” можно также предложить некоторые критерии выбора модели представления знаний, сформулированные в виде следующих правил.

    1. ЕСЛИ представляемые знания являются поверхностными И жесткими, ТО целесообразно использовать логические модели.

    2. ЕСЛИ представляемые знания являются поверхностными И мягкими ИЛИ жесткими, ТО целесообразно использовать продукционные модели.

    3. ЕСЛИ представляемые знания являются глубинными И мягкими ИЛИ жесткими, ТО целесообразно использовать модели в виде семантических сетей или фреймов (объектно-ориентированные модели).

^ 10. Технология разработки ЭС.

Разработка (проектирование) ЭС существенно отличается от разработки обычного программного продукта. Опыт разработки ранних ЭС показал, что использование при разработке методологии, принятой в традиционном программировании, либо чрезмерно затягивает процесс создания ЭС, либо вообще приводит к отрицательному результату. Дело в том, что неформализованность задач, решаемых ЭС, отсутствие завершенной теории ЭС и методологии их разработки приводит к необходимости модифицировать их принципы и способы построения ЭС в ходе процесса разработки по мере того, как увеличивается знание разработчиков о проблемной области.

Перед тем, как приступить к разработке ЭС, инженер по знаниям должен рассматривать вопрос, следует ли разрабатывать ЭС для данного приложения. В обобщенном виде ответ может быть таким: использовать ЭС следует тогда, когда разработка ЭС: 1) возможна, 2) оправдана и 3) методы инженерии знаний соответствуют решаемой задаче.

1 Чтобы разработка ЭС была возможна (для данного приложения), необходимо одновременно выполнение по крайней мере следующих требований:

  • существуют эксперты в данной области, которые решают задачу значительно лучше, чем начинающие специалисты;

  • эксперты должны сходиться в оценке предлагаемого решения, иначе нельзя будет оценить качество разработанной ЭС;

  • эксперты должны уметь выразить на естественном языке (вербализовать) и объяснить используемые ими методы, в противном случае трудно рассчитывать на то, что знания экспертов будут "извлечены" и вложены в ЭС;

  • задача, возложенная на ЭС, требует только рассуждений, а не действий (если требуется действие, то необходимо объединять ЭС с роботами);

  • задача не должна быть слишком трудной, ее решение должно занимать у эксперта несколько часов, а не дней или недель;

  • задача, хотя и не должна быть выражена в формальном виде, но все же должна относиться к достаточно "понятной" и структурированной области, т.е. должны быть выделены основные понятия, отношения и известные (хотя бы эксперту) способы получения решения задач;

  • решение задачи не должно в значительной степени использовать "здравый смысл'" (т.е. широкий спектр общих сведений о мире и о способе его функционирования, которые знает и умеет использовать любой нормальный человек), т.к. подобные знания пока не удается (в достаточном количестве) вложить в системы искусственного интеллекта.

Использование ЭС в данном приложении может быть возможно, но не оправдано.

2 Применение ЭС может быть оправдано одним из следующих факторов:

  • решение задачи принесет значительных эффект, например, использование ЭС для поиска полезных ископаемых;

  • использование человека-эксперта невозможно либо из-за недостаточного количества экспертов, либо из-за необходимости выполнять экспертизу одновременно в различных местах;

  • при передаче информации эксперту происходит недопустимая потеря времени или информации;

  • при необходимости решать задачу в окружении враждебном для человека.

3 Приложение соответствует методам ЭС, если решаемая задача обладает совокупностью следующих характеристик:

  • может быть естественным образом решена посредством манипуляции символами (т.е. с помощью символьных рассуждений), а не с числами (как принято в математических методах и традиционных программах);

  • должна иметь эвристическую (не алгоритмическую) природу, т.е. ее решение должно сводиться к применению эвристических правил; задачи, которые могут быть гарантировано решены (с соблюдением заданных ограничений) с помощью некоторых формальных процедур, не подходит для применения ЭС;

  • должна быть достаточно сложной чтобы оправдать затраты на разработку ЭС, однако, не должна быть чрезмерно сложной (решение занимает у эксперта часы, а не недели), чтобы ЭС могла ее решить;

  • должна быть достаточно узкой, чтобы решаться методами инженерии знаний, и практически значимой.

В выходе работ по созданию ЭС сложилась определенная технология их разработки, включающая шесть следующих этапов: идентификация, концептуализация, формализация, выполнение, тестирование, опытная эксплуатация

^ 11. Технология разработки ЭС. Этап идентификации.

На данном этапе идентифицируются (определяются) задачи, которые подлежат решению, выявляются цели разработки, определяются участники процесса проектирования и их роли (эксперты и категории пользователей), ресурсы.

Идентификация задачи заключается в составлении неформального (вербального) описания решаемой задачи. В этом описании указываются: общие характеристики задачи; подзадачи, выделяемые внутри данной задачи; ключевые понятия (объекты), характеристики и отношения; входные (выходные) данные; предположительный вид решения; знания, релевантные решаемой задачи; примеры (тесты) решения задачи. Цель идентификации задачи - характеризовать задачу и структуру поддерживающих ее знаний и таким образом обеспечить начальный импульс для развития БЗ. В ходе идентификации задачи (задач) необходимо ответить на следующие вопросы:

  • какие задачи предлагается решать ЭС и как они могут быть охарактеризованы и определены;

  • на какие задачи разбивается каждая задача и какие данные они используют;

  • каковы основные понятия и взаимоотношения, используемые при формулировании и решении задачи;

  • какие знания релевантны решаемой задачи;

  • какие ситуации препятствуют решаемой задачи;

  • как эти препятствия будут влиять на ЭС.

Идентификация целей заключается в формулировании, в явном виде, целей построения ЭС. При этом важно отличать цели, ради которых создается ЭС, от задач, которые она должна решать Примерами возможных целей являются:

  • формализация неформальных знаний экспертов;

  • улучшение качества решений, принимаемых экспертом;

  • автоматизация рутинных аспектов работы эксперта (пользователя);

  • тиражирование знаний эксперта.

Определение участников и их ролей сводится к определению количества экспертов и инженеров по знаниям, а также форм их взаимоотношения. Обычно, в основном цикле разработки ЭС участвует не менее трех, четырех человек - один эксперт, один или два инженера по знаниям и один программист, привлекаемый для модификации и согласования инструментальных средств. К процессу разработки могут привлекаться и другие участники, группа экспертов с руководителем и др. Что касается формы взаимоотношения экспертов и инженеров, то применяются следующие формы: эксперт выполняет роль информирующего или учителя, а инженер роль ученика. Форма учитель-ученик больше соответствует реальности. В процессе идентификации задачи инженер и эксперт работают в тесном контакте.

При проектировании ЭС типичными ресурсами являются: источники знаний, время разработки, вычислительные средства и объем финансирования. Для достижения успеха эксперт и инженер должны использовать все доступные им источники знаний.
  1   2   3



Скачать файл (295.7 kb.)

Поиск по сайту:  

© gendocs.ru
При копировании укажите ссылку.
обратиться к администрации
Рейтинг@Mail.ru