CC BY
62
Ергалиев Д.С., Коптев А.Н. СТРУКТУРНЫЕ АСПЕКТЫ СОЗДАНИЯ ЭКСПЕРТНЫХ СИСТЕМ
В практике эксплуатации бортовых комплексов оборудования (БКО)воздушных судов различных поколений хорошо известны два подхода к решению задач оценки состояния БКО ВС и отдельных систем этого комплекса: один из них основан на знаниях и опыте специалиста, а другой на применении техники оптимизации. Первый подход более приемлем для задач, сложных по их математическому описанию и решению методами оптимизации, к которым могут несомненно быть отнесены задачи оценки состояния БКО, представляющие сложно организованные структуры, базирующие на различных физических принципах реализации отдельных систем этого комплекса. Второй подход удобен, например, для задач контроля состояния конкретных систем. которые можно сформулировать в терминах математического программирования. Так как ни один из перечисленных подходов не является универсальным, продолжается поиск других путей решения проблем. В частности, в качестве альтернативного подхода, базирующегося на человеческом опыте и знаниях в конкретной области, является разработка специализированных экспериментальных систем.
Экспертные системы (ЭС) предназначены главным образом, для решения практических задач, возникающих у специалиста, работающего в слабо структурированной и трудно формализуемой предметной области. Эти системы в настоящее время представляют наибольший интерес для компьютерной диагностики. Они способны аккумулировать коллективные профессиональные знания квалифицированных экспертов об особенностях объекта и, может быть, личности самого экспериментатора и могут служить полезным инструментом, содействующим повышению точности диагностики и эффективности планирования технических мероприятий.
Общая структура экспертной системы приведена на рис. 1.
Основы экспертной системы составляет база знаний, в которой хранятся необходимые для решения задач знания о законах предметной области и способах решения возникающих в этой области задач. Указанные знания специальным образом знаний будут структурированы /1/, а за наполнение базы знаний априорными знаниями отвечает инженер по знаниям. Данный специалист устанавливает связи с экспертами и получает от них необходимые сведения, решает задачу формализации полученных знаний и заполнения ими базы знаний. Также в функции инженера по знаниям входит поддержание базы знаний в рабочем состоянии, если экспертная система допускает изменение содержимого базы знаний после ее априорного заполнения.
Вторая важная часть любой экспертной системы — логический блок, или решатель. С его помощью происходит манипулирование знаниями, хранящимися в базе знаний. В нем могут реализовываться, например, процедуры достоверного вывода, алгоритмы правдоподобных рассуждений и другие процедуры, предназначенные для выработки экспертных заключений.
Третий блок — блок общения, или интеллектуальный интерфейс — организует взаимодействие пользователя с экспертной системой в удобной для пользователя форме, максимально приближенной к общению людей между собой. В блоке общения используются достижения искусственного интеллекта, касающиеся понимания текстов на естественном языке, а также представления результатов работы экспертной системы в наиболее наглядном и выразительном виде.
Наконец, четвертый блок экспертной системы — это блок объяснения. Его функция состоит в выдаче информации, объясняющей и иллюстрирующей путь получения того или иного вывода, если он интересует пользователя.
Инженер по знаниям
Пользователь
Рисунок 1. Структура экспертной системы
Рисунок 2. Условное представление знаний
Тогда по запросу на этот счет пользователя экспертная система с развитым блоком объяснения должна, аргументировано обосновать тот или иной выбор в качестве наиболее правдоподобного решения.
Любой из перечисленных блоков экспертной системы строится на базе предшествовавших глубоких исследований различных сторон восприятия, представления и анализа информации: человеком и компьютером и нуждается в самостоятельном и подробном рассмотрении. В то же время, как указывалось выше, кардинальным фактором, обусловившим возможность возникновения интеллектуальных систем, явился переход к парадигме «Представление знаний — Манипулирование знаниями».
В общем случае знания некоторой группы экспертов, заносимые в базу знаний интеллектуальной системы, можно представить в следующем виде (рис. 2)
ъ=ъх\]ъ2,
где Zl- множество знаний, общепринятых в данной предметной области и содержащихся в монографиях, учебниках, справочниках по данному вопросу (так называемые «общие» знания); Е2 — множество знаний, приобретенных специалистами (экспертами) в этой предметной области в процессе их профессиональной деятельности («личные» знания).
Множество знаний Z2 включает в себя подмножества личных знаний отдельных экспертов. Пересечение множеств Е1 и Е2
представляет собой канонизированную часть личных знаний - то, что усвоено экспертами из специальной литературы и в чем нет расхождений между различными экспертами но, как видно из рис. 2, в Z2 остается еще подмножество Zo, которое не имеет пересечения с Zl и представляет собой ту часть личных знаний, которая обусловлена профессиональным опытом и интуицией соответствующих специалистов (Zo=Z2 и ЕО. Традиционно в экспертных системах особую ценность имеют слабоформализованные знания типа Z2. В отличие от Z2 множество Е^бычно хорошо структурировано и сравнительно легко формализуемо (в общем случае для представления Zl и Z2 в базе знаний могут применяться разные способы).
Чаще всего множество Zl характеризуется наличием теории, в то время как в основе Z2 лежат эмпирические знания. Но, как известно, любая теория это в некотором смысле идеализация предметной области, а следовательно, и ее упрощение. Эмпирический же материал конкретен, отсюда он сложнее и многообразнее, более гибко и широко описывает предметную область Можно сказать, что знания Z2 не так «системны», как Zl, но зато они не так «искусственны». Кроме того, деление Z2 и Zl не абсолютно. Во-первых, у них есть общая часть Zk, во-вторых, со временем наиболее плодотворные и подтвержденные практикой гипотезы переходят из Zl в Zk, а следовательно, в Zl.
Разбиение Z2 на Zo и Zk отличается для разных наук. Для гуманитарных наук с их «мягкими» знаниями (преимущественно феноменологическими и качественными) характерно преобладание Zo, в отличие от естественных и точных наук с их «жесткими» знаниями (уровень «количественной» теории), для которых очевидно обладание Zk. Различная природа Zk и Zo порождает разные способы их представления.
В общем виде знания представляются некоторой знаковой (семиотической) системой /2/.
Вывод и поиск решения опираются в основном на алгоритмы поиска в пространстве состояний, которые сводятся к определению последовательности операторов, отображающих начальные состояния в целевые.
Построение таких алгоритмов связано с учетом специфики конкретной предметной области, то есть с учетом ее семантики. Следовательно, при декларативном представлении синтаксические и семантические знания в определенной мере отделены друг от друга, что придает этой форме представления достаточную универсальность.
Приведенные формы представления знаний в чистом виде практически не встречаются. Конкретные, используемые на практике, модели в равной мере оперируют обеими формами. Наиболее распространенными являются следующие модели представления знаний:
—продукционные системы;
—логические модели;
— фреймы;
—семантические сети.
В продукционных системах знания представляются в виде совокупности специальных информационных единиц.
В общем случае продукционная система включает следующие компоненты:
—базу данных, содержащую множество фактов;
—базу правил, содержащую набор продукций;
—интерпретатор (механизм логического вывода) или правила работы с продукциями.
База правил и база данных образуют базу знаний. Факты в базе данных представляют собой кратко-
срочную информацию и в принципе могут изменяться в ходе работы продукционной системы по мере накопления опыта.
Логические модели представления знаний реализуются средствами логики предикатов.
Исчисление предикатов с кванторами (логика предикатов) является расширением исчисления высказываний, в котором для выражения отношений между объектами предметной области могут использоваться предложения включающие не только константы, но и переменные.
В общем случае модели, описываются формальной системой, которая задается четверкой:
М=(Т,Р,А,П),
где Т — множество базовых элементов или алфавит формальной системы; Р — множество синтаксических правил, с помощью которых из Т можно строить синтаксически правильные предложения; А — множество аксиом или некоторых синтаксически правильных предложений, заданных априорно П — правила продукций (правила вывода или семантические правила), с помощью которых можно расширять множество А, добавляя в него синтаксически правильные предложения.
Главное преимущество логических моделей представления знаний заключается в возможности непосредственно запрограммировать механизм вывода синтаксически правильных высказываний.
Знания также могут быть представлены совокупностью взаимосвязанных понятий, модель их представления строится в виде сети фреймов. В таких моделях выделяют собственно представление знаний в виде набора фреймов и механизм их связывания, преобразования.
Как недостаток фреймовых систем отмечают их относительно высокую сложность, что проявляется в снижении скорости работы механизма вывода и в увеличении трудоемкости внесения изменений в родовидовую иерархию.
Семантическая сеть описывает знания в виде сетевых структур. В качестве вершин сети выступают понятия, факты, объекты, события и т. п., а в качестве дуг сети — отношения, которыми вершины связаны между собой.
Семантические сети часто рассматривают как наиболее общий формализм для представления знаний. Частным случаем таких сетей являются сценарии, в которых в качестве отношений выступают каузальные отношения или отношения типа цель — средство.
Вершины сети соединяются дугой, если соответствующие объекты предметной области находятся в каком-либо отношении.
Как и в системе, основанной на фреймах, в семантической сети могут быть представлены родовидовые отношения, которые позволяют реализовывать наследование свойств от объектов-родителей. Это обстоятельство приводит к тому, что семантические сети приобретают все недостатки и достоинства представления знаний в виде фреймов. Преимущества заключаются в простоте и наглядности описания предметной области.
Из других методов представления знаний в технической диагностике популярностью пользуется метод представления знаний по примерам. Работая с системой такого типа, пользователь задает ей несколько примеров решения задач из актуальной предметной области. На основе этих примеров система самостоятельно строит базу знаний, которая затем будет применяться для решения других задач. При создании базы знаний пользователь имеет возможность в любой момент вызвать на экран дисплея матрицу, состоящую из примеров задач и их решений, с тем, чтобы установить в ней наличие пустых мест, которые необходимо заполнить недостающими примерами «задача — решение».
Основным достоинством представления знаний по примерам является простота применения данного способа, поскольку пользователь может не иметь ни малейшего представления о продукционных правилах, исчислении предикатов, фреймах и семантических сетях. В то же время, в качестве недостатков метода представления знаний по примерам отмечают отсутствие гибкости процесса построения интеллектуальной системы. Пользователь оказывается отстраненным от собственно создания базы знаний и поэтому не может контролировать связи между содержащимися в ней понятиями.
Выбор способа представления знаний осуществляется инженером по знаниям после того, как им достигнуто понимание природы данных моделируемой области. При решении сложных задач возможны ситуации, когда источники знаний различаются по типам и, соответственно, представление таких знаний требует использования разных способов (смешанное представление). Тогда для продуктивного функционирования интеллектуальной системы нередко применяют принцип доски объявлений, с помощью которого реализуется взаимодействие различных независимых источников знаний.
Проблема представления знаний и манипулирования ими является одной из центральных проблем для специалистов различного профиля, работающих в области искусственного интеллекта — теоретиков, занятых исследованием моделей и методов, программистов, создающих новые средства программирования, и прикладников, производящих конкретные интеллектуальные системы.
Приведенные авторами исследования по созданию верхнего уровня тандемной схемы по оценке состояния систем БКО показали необходимость сочетания достижений в области оптимизационных и неформализуемых моделей.
ЛИТЕРАТУРА
1. Поспелов Д.А. Ситуационное управление. - М.: Наука. 1986. - 288 с.
2. Айвазян С.А., Бажаева З.И., Староверов О.В. Классификация многомерных наблюдений. - М.: Статистика, 1974. - 240 с.
