Функциональная структура. Определение экспертной системы, как человеко-машинной системы, лучше всего сделать, указав, из каких блоков она состоит

Определение экспертной системы, как человеко-машинной системы, лучше всего сделать, указав, из каких блоков она состоит.

Рис. 1

Как видно, она состоит из базы знаний, решающего блока, подсистемы общения, подсистемы объяснения и подсистемы накопления знаний.

Через подсистему общения с ЭС связаны:

1. Конечный пользователь (КП) (непрограммирующий специалист в какой-либо области);

2. Эксперт (Э) - квалифицированный специалист в какой-либо области знания, опыт которого намного превосходит знания и опыт рядового конечного пользователя и, наконец;

3. Инженер по знаниям (ИПЗ) (недавно появившаяся специальность), знакомый с упоминающимися формализмами представления знаний и владеющий языками инженерии знаний. С экспертной системой на этапе наполнения знаний работают ИПЗ и Э, а на этапе эксплуатации и использования - КП.

Знания, которыми должна быть заполнена ЭС, представляют собой знания I-го рода и знания II- го рода.

Знания I-го рода - это общезначимые факты, явления, закономерности - истины, признанные в данной предметной области и зафиксированные в книгах, статьях, справочниках и т. п.

Знания II- го рода - это эмпирические правила, эвристики, интуитивные соображения и факты, которые, как правило, не публикуются, но что дает возможность опытному эксперту эффективно принимать решения даже в условиях неполных и противоречивых исходных данных.

Знания в ЭС фиксируются в БЗ, которую можно разделить на интенсиональную и экстенсиональную части (собственно базу данных), (рис. 1). Важное значение в ЭС имеет подсистема объяснений - основное отличие ЭС от других диалоговых человеко-машинных систем. Подсистема объяснений отвечает на вопросы, “как” и “почему” конечный пользователь с помощью ЭС принял то или иное решение.

Успех в реализации ЭС тем больше, чем выше удельный вес знаний I-го рода по отношению к знаниям II- го рода. При большом удельном весе знаний II- го рода возникают трудности следующего вида: эксперт не способен более или менее четко сформулировать правила принятия решений; эксперт просто не желает передавать кому-либо свои знания, методы и правила (он хочет сохранить за собой статус уникального специалиста); в исследуемой предметной области не находят подходящего эксперта.

Определенным решением этих трудностей, а возможно и альтернативным подходом к построению ЭС является использование подсистемы накопления знаний, когда речь идет об автоматическом или полуавтоматическом формировании эмпирических зависимостей из неполных данных и данных, заданных экспериментально. В этом случае наряду со знаниями, которые сумел передать эксперт, подсистема накопления знаний должна быть способна из знаний I- го рода строить знания II- го рода, порождать теорию и затем выводить новые факты. Указанный подход основан на идеях индуктивного обобщения и машинном обучении.

Наряду с БЗ основную функциональную нагрузку в ЭС несет решающий блок, состоящий из подсистемы логического вывода и планировщика. Форма механизма вывода зависит от организации БЗ и типа схемы управления, направляющей процесс вывода в ней, а это в свою очередь, от сущности проблемы и знаний. Обычно выделяют два базовых механизма вывода - вывод в прямом направлении (прямая цепочка рассуждении) и вывода в обратном направлении (обратная цепочка рассуждений).

При выводе в прямом направлении рассуждения ведется с использованием правил, начиная с известных фактов, до тех пор, пока не будет достигнута цель. При этом могут использоваться различные стратегии выбора первого применяемого правила, например:

- выбирается первое применимое правило в порядке их нумерации);

- из всех применимых правил выбирается то, которое имеет самое большое число условий.

Успех достигается, когда цель попадает в базу фактов. Неудача происходит, когда никакое правило больше не применимо.

Поиск по сайту: