Разработка экспертных систем | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Журнал выйдет 21 декабря, печатный экземпляр отправим 25 декабря.

Опубликовать статью в журнале

Авторы: ,

Рубрика: Информационные технологии

Опубликовано в Молодой учёный №16 (254) апрель 2019 г.

Дата публикации: 22.04.2019

Статья просмотрена: 222 раза

Библиографическое описание:

Чалыкина Е. Г., Сухан И. В. Разработка экспертных систем // Молодой ученый. — 2019. — №16. — С. 16-21. — URL https://moluch.ru/archive/254/58317/ (дата обращения: 07.12.2019).



В статье описан процесс исследования и самостоятельной разработки курсового проекта в области экспертных систем.

Технологии не стоят на месте. С течением времени в той или иной мере различные предметные области получают все большее развитие. Не исключением становится область информационных технологий. Основным двигателем прогресса в развитии IT-области становится оправданное желание человека «упростить» себе жизнь, максимально автоматизировать окружающие процессы и, самое главное — достигнуть экономии временных, человеческих и материальных ресурсов.

Значительный прорыв в стремлении автоматизации окружающих человека процессов сделан за счёт активной разработки в области искусственного интеллекта — области информатики, основная деятельность которой направлена на разработку программных систем с «человеческими возможностями».

Изучение возможностей искусственного интеллекта в качестве курсового проекта вполне оправдано для любого студента технического вуза ввиду огромного практического применения данной технологии в настоящее время. Однако охватить все возможности в рамках годового проекта не представляется физически возможным, поэтому для обеспечения качественного «погружения» в тему на первом этапе необходимо определиться с конкретизированной областью.

Нами было выбрано самостоятельное направление искусственного интеллекта — экспертные системы, так как именно с помощью технологии экспертных систем предоставляется возможность приблизиться к достижению основополагающей цели разработки в области искусственного интеллекта — научить машину думать, как человек.

В настоящее время экспертные системы (далее ЭС) позволяют частично заменить человека-эксперта при решении сложных, не поддающихся алгоритмическому решению задач в какой-либо конкретизированной области. Система на основании знаний о специфике в области их разработки способна самостоятельно принимать конкретные решения, производить анализ данных и формировать на основе этого анализа конструктивные обоснованные выводы. Основное отличие ЭС от эксперта-человека заключается в том, что решения человека не всегда можно считать объективными, ведь на них, помимо знаний, может влиять психологическое и физическое состояние, в то время как ЭС таким рискам не подвержена.

Существуют различные варианты классификации ЭС: по общим возможностям, по типам решаемых задач, по привязке ко времени, по степени возможности интеграции с другими программными продуктами.

Несмотря на достаточный размах возможности классификации ЭС, отличительные особенности у всех классов описываются практически одинаково. Для любой ЭС характерны следующие свойства:

1) Она может специализироваться только в одной конкретной области;

2) База знаний и механизм вывода являются различными компонентами;

3) ЭС может объяснить ход решения задачи понятным пользователю способом;

4) Выходные результаты являются качественными (а не количественными);

5) ЭС строятся по модульному принципу, что позволяет постепенно наращивать их базы знаний.

Для ЭС существует так называемый «Критерий применимости» — перечень правил, при выполнении которых разработка ЭС является оправданной. На основании этих правил определены параметры запрета на разработку ЭС, которые имеют следующий вид:

1) Если задача имеет математический характер, и решаема обычным путем формальных преобразований и процедурного анализа;

2) Если задача относится к ряду задач распознавания, т. к. в общем случае они решаются численными методами;

3) Если знания о методах решения задачи отсутствуют, т. е. построить базу знаний для такой задачи не представляется возможным.

Если задача, требующая решения, противоречит описанным параметрам, то стоит понимать, что применение технологии экспертных систем станет более результативным.

Любая экспертная система имеет следующую структуру:

− Рабочая память используется в качестве временной памяти, участвующей в принятии решений. Именно в ней в процессе общения с пользователем находится информация о текущем логическом выводе.

− База знаний — хранит правила и эвристики, на основании которых система будет строить свой ответ.

− «Решатель» — подсистема вывода, иначе: механизм, использующий базу данных и базу знаний для построения такой цепочки правил, по которой будет осуществляться решение задачи.

− Объяснительный компонент — хранит пояснение логической цепочки.

− Компонент приобретения знаний (подсистема, с использованием которой доступна возможность наполнения базы знаний ЭС).

− Диалоговый компонент — пользовательский интерфейс, предназначенный для общения с пользователем.

Описанная структура представлена на рисунке ниже.

Рис. 1. Структура типичной экспертной системы

Качество любой ЭС определяется размером и достоверностью базы знаний. Для представления этих знаний существует целый ряд методов, каждый из которых обладает своими достоинствами и недостатками по отношению к другим. В ходе анализа возможных методов представления знаний в собственной ЭС была выбрана продукционная модель — модель, основанная на правилах. При подходе к представлению знаний в виде продукционной модели данные в рабочей памяти представляются в виде изолированных троек: «объект — атрибут — значение». С каждой тройкой связан коэффициент определенности. Иерархия объектов задается с помощью дерева контекстов.

Классическая ЭС функционирует в следующем циклическом режиме:

{запрос и получение данных} → {анализ полученных данных и интерпретация первичных результатов} → {выдвижении с помощью правил временных гипотез} → {запрос следующей порции данных}

Такой процесс продолжается до тех пор, пока объема полученной информации не будет достаточно для определения заключения по рассматриваемому вопросу.

Процесс разработки ЭС имеет следующую структуру:

1) идентификация проблемы;

2) извлечение знаний и приведения к виду для передачи ЭС;

3) наполнение базы знаний;

4) разработка ЭС;

5) тестирование.

В рамках собственного курсового проекта была выбрана проблема подбора литературы в зависимости от потребности пользователя. Данная тема определена в качестве тестовой для простоты извлечения и структурирования знаний. Схема, по которой должно производиться выявление потребности пользователя, представлена на рисунке.

Рис. 2. Выявление потребности для определения рекомендуемого списка литературы

В качестве «эксперта» в области научной литературы было принято решение использовать электронную библиотеку Кубанского Государственного Университета, а для составления выборки художественной литературы и правил для нее — электронный ресурс https://readrate.com/rus/ratings/top100.

Для каждой книги, включенной в итоговую выборку, был определен ряд основных характеристик, по которым в дальнейшем ЭС будет ее классифицировать как рекомендуемую к потребности пользователя. Для корректного выявления потребности сконструирован специальный тест, цель которого — определить основные характеристики-маркеры для литературы, которые впоследствии определят итоговую выборку. На схеме представлен пример определяющих характеристик для конкретной книги.

Рис. 3. Схема определяющих характеристик

Как видно на представленной схеме характеристики для некоторых книг могут пересекаться и чем больше будет пересечений, тем труднее системе произвести однозначный выбор, и соответственно, тем объемнее будет итоговая выборка литературы.

По итогам анализа основных средств, используемых для разработки экспертных систем, было принято решение использовать язык CLIPS, ввиду исчерпывающего количества технической литературы и руководствуясь опытом других разработчиков, описанным в сети. Написание программы было решено осуществить в интегрированной среде разработки (IDE) MSVisualStudio, так как в ней есть возможность создания удобного пользовательского интерфейса.

Был разработан прототип экспертной системы, произведено его тестирование и отладка. На рисунках представлена работа прототипа по выявлению потребности и отражению рекомендаций.

На первом этапе система определяет, по какой ветви экспертизы будут направлены дальнейшие «рассуждения».

Рис. 4. Выявление цели подбора литературы

В зависимости от ответа на первый вопрос система предлагает конкретизировать область рассмотрения литературы.

Рис. 5. Определение предметной области, к которой относится требуемая литература

Таким образом система ведет диалог с пользователем до тех пор, пока на основании правил, который «вшиты» в нее и ответов пользователя она сможет сделать однозначный выбор.

Рис. 6. Определение дисциплины, по которой требуется сделать отбор

Рис. 7. Рекомендуемая выборка литературы, составленная на основании потребности пользователя

Разработанный прототип еще на этапе отладки полностью подтвердил «жизнеспособность» выбранных для его реализации методов. Помимо его отладки и тестирования активно ведется разработка блока наполнения знаний, для того чтобы в дальнейшем прототип можно было развить в полноценную ЭС с возможностью изменения базы знаний.

Основные термины (генерируются автоматически): искусственный интеллект, система, баз знаний, разработка ЭС, область, продукционная модель, однозначный выбор, курсовой проект, итоговая выборка, рабочая память.


Похожие статьи

Анализ методов искусственного интеллекта САПР...

В основе разработки любой экспертной системы (ЭС) не зависимо от предметной области лежит выбор модели базы знаний. В настоящее время выделены следующие классы моделей представления знаний [1]: ‒ продукционная модель; ‒ семантические сети...

Исследование методов применения СППР в задаче...

Продукционные системы предполагают использование некоторого представления знаний для описания статической картины предметной

Выбор того или иного способа представления статических и динамических знаний в основном определяется спецификой предметной...

Использование оболочек для программной реализации экспертной...

В основе разработки любой экспертной системы (ЭС) не зависимо от предметной области лежит выбор модели базы знаний. В настоящее время выделены следующие классы моделей представления знаний [1]: ‒ продукционная модель; ‒ семантические сети; ‒ фреймы...

Обзор методов формирования баз знаний | Статья в сборнике...

Системы баз знаний давно признаны одним из самых эффективных инструментов в проектировании информационных систем. Качество функционирования системы существенно зависит от содержимого его базы знаний. Существуют две основные группы методов...

Продукционные правила базы знаний экспертной системы для...

Одним из направлений применения интеллектуальных технологий является разработка экспертных систем (ЭС) поддержки принятия решения при мониторинге технологического процесса и оборудования [1...

Экспертные системы: элективный курс (электронное учебное...)

Экспертные системы — это прикладные системы ИИ, в которых база знаний представляет собой формализованные эмпирические знания

В настоящее время выделены следующие классы моделей представления знаний [1]: ‒ продукционная модель; ‒ семантические сети...

Экспертная система. Классификация. Обзор существующих...

Экспертная система (ЭС, англ.expertsystem) — компьютерная система, способная частично заменить специалиста-эксперта в разрешении

Данные, зависящие от условий конкретной задачи, ЭС получает от пользователя в процессе работы и сохраняет в рабочей памяти.

Разработка и использование экспертной системы при выборе...

Экспертная система состоит из базы знаний (части системы, в которой содержатся факты)

Знания о предметной области, необходимые для работы ЭС

При проектировании данной экспертной системы мы используем продукционная модель представления знаний.

Экспертные системы | Статья в журнале «Молодой ученый»

Экспертные системы — это прикладные системы ИИ, в которых база знаний представляет собой формализованные эмпирические знания

В настоящее время выделены следующие классы моделей представления знаний [1]: ‒ продукционная модель; ‒ семантические сети...

Проектирование экспертной системы планирования основного...

Искусственный интеллект (artificial intelligence) обычно трактуется как свойство автоматических систем

Для ввода знаний в базу знаний разрабатываемой ЭС ХПП необходимо выбрать язык представления знаний (ЯПЗ)

Производственные системы с искусственным интеллектом/Р.

Похожие статьи

Анализ методов искусственного интеллекта САПР...

В основе разработки любой экспертной системы (ЭС) не зависимо от предметной области лежит выбор модели базы знаний. В настоящее время выделены следующие классы моделей представления знаний [1]: ‒ продукционная модель; ‒ семантические сети...

Исследование методов применения СППР в задаче...

Продукционные системы предполагают использование некоторого представления знаний для описания статической картины предметной

Выбор того или иного способа представления статических и динамических знаний в основном определяется спецификой предметной...

Использование оболочек для программной реализации экспертной...

В основе разработки любой экспертной системы (ЭС) не зависимо от предметной области лежит выбор модели базы знаний. В настоящее время выделены следующие классы моделей представления знаний [1]: ‒ продукционная модель; ‒ семантические сети; ‒ фреймы...

Обзор методов формирования баз знаний | Статья в сборнике...

Системы баз знаний давно признаны одним из самых эффективных инструментов в проектировании информационных систем. Качество функционирования системы существенно зависит от содержимого его базы знаний. Существуют две основные группы методов...

Продукционные правила базы знаний экспертной системы для...

Одним из направлений применения интеллектуальных технологий является разработка экспертных систем (ЭС) поддержки принятия решения при мониторинге технологического процесса и оборудования [1...

Экспертные системы: элективный курс (электронное учебное...)

Экспертные системы — это прикладные системы ИИ, в которых база знаний представляет собой формализованные эмпирические знания

В настоящее время выделены следующие классы моделей представления знаний [1]: ‒ продукционная модель; ‒ семантические сети...

Экспертная система. Классификация. Обзор существующих...

Экспертная система (ЭС, англ.expertsystem) — компьютерная система, способная частично заменить специалиста-эксперта в разрешении

Данные, зависящие от условий конкретной задачи, ЭС получает от пользователя в процессе работы и сохраняет в рабочей памяти.

Разработка и использование экспертной системы при выборе...

Экспертная система состоит из базы знаний (части системы, в которой содержатся факты)

Знания о предметной области, необходимые для работы ЭС

При проектировании данной экспертной системы мы используем продукционная модель представления знаний.

Экспертные системы | Статья в журнале «Молодой ученый»

Экспертные системы — это прикладные системы ИИ, в которых база знаний представляет собой формализованные эмпирические знания

В настоящее время выделены следующие классы моделей представления знаний [1]: ‒ продукционная модель; ‒ семантические сети...

Проектирование экспертной системы планирования основного...

Искусственный интеллект (artificial intelligence) обычно трактуется как свойство автоматических систем

Для ввода знаний в базу знаний разрабатываемой ЭС ХПП необходимо выбрать язык представления знаний (ЯПЗ)

Производственные системы с искусственным интеллектом/Р.

Задать вопрос