Экспертные системы или искусственный интеллект

Представление знаний в экспертных системах

Основной вопрос, решаемый при представлении знаний — это вопрос определения состава знаний. Второй вопрос касается формы представления знания. Две эти проблемы независимы друг от друга, ведь выбранный способ представления может оказаться непригодным или неэффективным для выражения некоторых знаний.

Вопрос формулирования знаний можно разделить на две достаточно независимые задачи: как организовать знания и как представить знания в нужной форме.

Необходимость выделения формулировки знаний в самостоятельную задачу вызвана, в частности, тем, что эта задача возникает для любого языка формализации и способы решения этой задачи являются одинаковыми или похожими вне зависимости от используемых форм представления.
Вопросы, решаемые при представлении знаний, таковы:

• определение состава представляемых знаний
• организация знаний
• представление знаний

При определении состава знаний учитываются следующие факторы:

• проблемная среда
• архитектура экспертной системы
• потребности и цели пользователей
• язык общения

С учетом архитектуры экспертной системы знания разделяют на интерпретируемые и неинтерпретируемые.
Первый тип: те знания, которые способен интерпретировать решатель. Все остальные относятся ко второму типу. Решатель не знает ни их структуры, ни содержания. Если эти
знания используются каким-либо компонентом системы, то он не «осознает» этих знаний.

Требования по созданию

Чтобы разработка ЭС была возможной для конкретного приложения, минимально необходимо одновременное выполнение следующих требований:

• существуют эксперты в данной области, которые решают задачу значительно лучше, чем начинающие специалисты
• эксперты сходятся в оценке предлагаемого решения, иначе нельзя будет оценить качество разработанной ЭС
• эксперты способны объяснить используемые ими в системе методы, иначе знания экспертов будет сложно внести в ЭС
• решение задачи требует только рассуждений, а не действий
• задача не должна быть слишком трудной (т.е. ее решение должно занимать у эксперта несколько часов или дней, не более)
• задача должна относиться к достаточно «понятной» и структурированной области, т.е. должны быть выделены основные понятия, отношения и известные алгоритмы решения задачи
• решение задачи не должно в значительной степени использовать абстрактное мышление

Концепция быстрого прототипа

Концепция быстрого прототипа, как правило, используется при создании экспертных систем. Суть концепции состоит в том, что разработчики не имеют целью сразу построить конечный продукт. Сначала происходит создание одного или нескольких прототипов ЭС. Прототип должен удовлетворять двум противоречивым требованиям: с одной стороны, они должны решать типичные задачи конкретного приложения, с другой стороны, время и трудоемкость их разработки должны быть весьма незначительны. Последнее требование необходимо, чтобы можно было максимально совместить процесс накопления и отладки знаний, осуществляемый экспертом, с процессом разработки программных средств. Для соблюдения этих требований при создании прототипа используются разнообразные средства, ускоряющие процесс создания.

Методы прототипа экспертной системы, кроме того, должны подходить для конкретной программы. В случае успеха знания прототипа о проблемной области подвергаются расширению. При неудаче может потребоваться разработка нового прототипа, или принимается решение о непригодности методов ЭС для данного приложения. По мере расширения базы знаний прототип может достигнуть такого состояния, когда все задачи данного приложения решаются успешно. Преобразование прототипа в конечный продукт обычно связано с перепрограммированием системы на языках низкого уровня, обеспечивающих как увеличение быстродействия ЭС, так и уменьшение требуемой памяти. Трудоемкость и время создания ЭС в значительной степени зависят от типа инструментов создания.

Классификация методов искусственного интеллекта (ИИ)

Есть разные мнения о том, как классифицировать методы ИИ. Мы предлагаем следующую классификацию, которая состоит из пяти пунктов:

1. Искусственные нейронные сети
2. Нечеткая логика (нечеткие множества и мягкие вычисления)
3. Системы, основанные на знаниях (экспертные системы)
4. Эволюционное моделирование (генетические алгоритмы, многоагентные системы)
5. Machine Learning (Data Mining и анализ данныхи, поиск закономерностей в хранилищах данных)

Теперь давайте простыми словами расскажем, что представляет собой каждый метод.

Искусственные нейронные сети

Искусственная нейронная сеть — это преимущественно математический аппарат, хотя иногда в различных парадигмах нейросетей встречаются элементы логики.

Нейронная сеть — математическая модель, прототипом которой служит центральная нервная система человека или животного. 

Данный метод ИИ применяется в задачах распознавания образов, прогнозирования, классификации, кластеризации и оптимизации.

Нечёткая логика, нечёткие множества и мягкие вычисления

Нечёткая логика, теория нечётких множеств, нечёткие рассуждения, мягкие вычисления — всё это близкие или тесно связанные между собой понятия, относящиеся к более высокому уровню работы центральной нервной системы, нежели искусственные нейронные сети. Методы нечеткой логики используются в экпертных системах, системах управления объектом.

Нечёткая логика в большей степени связана с качественной оценкой анализируемых процессов и явлений и принятием решений на основе этой качественной оценки. 

Эволюционное или многоагентное моделирование

В рамках данной группы методов рассматривается концепция не индивидуального, а коллективного интеллекта.

Эволюционное моделирование целесообразно применять тогда, когда пространство поиска решения настолько большое и сложно устроенное, что традиционные и более простые методы просто неспособны выполнить глобальный поиск решения или способны, но на это потребуется неприемлемо много времени.

Экспертные системы. Поддержка принятия решений

Экспертная система — это искусственный аналог лица, принимающего решения, или, как минимум, эксперта-консультанта предметной области.

Структура и логико-математический аппарат экспертной системы определяются, в первую очередь, её назначением и предметной областью. Сами решения, предлагаемые системой, могут вырабатываться с использованием различных механизмов вывода. Наиболее близкий аналог человеческому механизму вывода — это аппарат нечёткой логики и теории нечётких множеств. 

Machine Learning, Data Mining, Data Science

Machine Learning (машинное обучение) — это целый класс методов искусственного интеллекта. Все они подразумевают решение задач не напрямую, а путем предварительного обучения как до, так и в процессе принятия решения.

Data mining. Данный термин введён Григорием Пятецким-Шапиро в 1989 году

По сути — это собирательное название, которое применяется для обозначения целой группы методов обнаружения определенных закономерностей в общем объеме данных, которые могут получены в различных сферах человеческой деятельности. Например, методы Data Mining могут быть использованы для больших данных (Big Data), накопленных в розничных продажах, для подтверждения каких-либо гипотез и принятия управленческих решений.

Этапы проектирования экспертной системы

В настоящее время сложилась определенная технология разработки ЭС, которая включает следующие шесть этапов:

• этап идентификации,
• этап концептуализации,
• этап формализации,
• этап выполнения,
• этап тестирования,
• этап опытной эксплуатации.

Рис. 3. Методика (этапы) разработки ЭС

На всех этапах разработки инженер по знаниям играет активную роль, а эксперт — пассивную. По мере развития самообучающихся свойств экспертных систем роль инженера по знаниям уменьшается, а активное поведение заинтересованного в эффективной работе экспертной системы пользователя-эксперта возрастает. Описание приемов извлечения знаний инженерами знаний представлено в таблице 2.

Таблица 2

Первые два этапа разработки экспертной системы составляют логическую стадию, не связанную с применением четко определенного инструментального средства. Последующие этапы реализуются в рамках физического создания проекта на базе выбранного инструментального средства. Вместе с тем, процесс создания экспертной системы, как сложного программного продукта, имеет смысл выполнять методом прототипного проектирования, сущность которого сводится к постоянному наращиванию базы знаний, начиная с логической стадии.

Кто и где использует МЭС

Кадр из фильма “Мстители” (The Avengers)/​Marvel Studios, Paramount Pictures, Walt Disney Studios Motion Pictures

Первой разработкой экспертного ПО в медицине считается система MYCIN («Мицин»). Она была создана специалистами Стэнфордского университета в начале 70-​хх для определения возбудителей тяжелых инфекционных болезней и расчета нужных доз антибиотиков. Эффективность программы оценивалась в 69% – в стольких случаях было назначено корректное лечение

Важно отметить, что этот показатель был даже выше, чем у врачей-​инфекционистов, которые участвовали в исследовании. К сожалению, MYCIN не получил практического применения из-​за несовершенства технологий того времени

Сейчас существует много примеров успешной разработки и использования МЭС в медицинской практике. Среди них можно выделить систему диагностики детских неотложных состояний «ДИН» (Московское НИИ педиатрии и детской хирургии), программу «АЙБОЛИТ» для выявления, типологии и уточнения терапии острых нарушений циркуляции крови у детей (Национальный медицинский исследовательский центр сердечно-​сосудистой хирургии им. А.Н. Бакулева), систему определения ведущей патологии и сопутствующего лечения с удаленным мониторингом тяжелых пациентов «ДИНАР» (Санкт-​Петербургский государственный педиатрический медицинский университет, Свердловская областная детская клиническая больница, при участии сотрудников Института биофизики УроРАН).

Список преимуществ экспертных систем

Доступность. Для обеспечения доступа к экспертным знаниям могут применяться тривиальные компьютерные аппаратные средства общего пользования. В определенном смысле, вполне оправданным является утверждение, что экспертная система — это средство массового производства экспертных знаний.

Незначительные расходы. Стоимость предоставления экспертных знаний в расчете на одного пользователя, при применении экспертной системы существенно снижается по сравнению с экспертом-человеком.

Уменьшена опасность. Экспертные системы могут использоваться в таком окружающей среде, которое может оказаться опасным для человека.

Постоянство. Экспертные знания, объективно, никуда не исчезают. В отличие от экспертов-людей, которые могут уйти на пенсию, уволиться с работы или умереть, знания экспертной системы сохраняются в течение неопределенно долгого времени.

Возможность получения экспертных знаний из многих источников. С помощью экспертных систем могут быть собраны знания многих экспертов, привлеченных к работе над решением задачи. Уровень экспертных знаний, скомбинированных путем объединения опытов нескольких экспертов, может превышать уровень знаний отдельно взятой эксперта-человека.

Надежность. Применение экспертных систем позволяет повысить степень доверия к тому или иному выводу, путем предоставления дополнительной точки зрения эксперта-посредника, в случае несогласия выводов между несколькими экспертами-людьми. Разумеется, такой метод выбора решений не может использоваться, если экспертная система запрограммирована одним из экспертов, принимает участие в столкновении мнений.

Объяснение. Экспертная система способна детально объяснить свои соображения, которые привели к определенному выводу. В отличие от нее, эксперт-человек может оказаться усталой, не подверженной объяснений или неспособной делать это постоянно. Возможность получить объяснение способствует повышению доверия к тому, что системой было предложено правильное решение.

Быстрая реакция. В некоторых случаях решения проблемы может требовать быстрых действий или реагирования в реальном времени. В зависимости от аппаратного и программного обеспечения, которые использует экспертная система, она будет реагировать быстрее и будет более готовой к работе, чем эксперт-человек. Такие ситуации могут потребовать более быстрой реакции, чем у обычного человека. В таком случае, приемлемым вариантом становится применение экспертной системы, способной действовать в реальном времени.

Объективный результат при любых обстоятельствах

Это свойство может оказаться очень важной в экстремальных ситуациях, когда эксперт-человек будет неспособна действовать с максимальной эффективностью за стресса или усталости.

Возможность применения в качестве учебной программы. Экспертная система может действовать как интеллектуальная обучающая программа, демонстрируя ученикам примеры, решения задач и объясняя, на чем основаны рассуждения системы.

Возможность интеллектуального анализа баз данных

Экспертные системы могут использоваться для доступа к базам данных с целью проведения интеллектуального анализа их содержимого. Как пример можно привести поиск скрытых закономерностей в данных.

Кроме приведенного списка предпочтений, процесс разработки экспертной системы оказывает также косвенное преимущество. Она вытекает из необходимости преобразования знаний экспертов-людей в явную форму для ввода в компьютер. Поскольку знания, вследствие этих действий, становятся явно известными, а не присутствуют неявно в голове эксперта, появляется возможность проверять знания на правильность, непротиворечивость и логику. После такой проверки, возможно, возникнет необходимость откорректировать эти знания.

Рейтинг: 5/5 — 1
голосов

.2 Достоинства и недостатки экспертных систем

интеллект экспертный знание семантический

Экспертные системы разрабатываются с расчетом на обучение и способны
обосновать логику выбора решения, т.е. обладают свойствами адаптивности и ее
аргументирования. У большинства экспертных систем имеется механизм объяснения.
Этот механизм использует знания, необходимые для объяснения тою, каким образом
система пришла к данному решению. Очень важным является определение области
применения экспертной системы, границ ее использования и действия.

Преимущества экспертных систем по сравнению с использованием
опытных специалистов состоят в следующем:

· достигнутая компетентность не утрачивается, может документироваться,
передаваться, воспроизводиться и наращиваться;

· имеют место более устойчивые результаты, отсутствуют эмоциональные и
другие факторы человеческой ненадежности;

· высокая стоимость разработки уравновешивается низкой стоимостью
эксплуатации, возможностью копирования, а в совокупности они дешевле
высококвалифицированных специалистов.

Недостатком экспертных систем:

— меньшая приспособляемость к обучению новым правилам и концепциям, к
творчеству и изобретательству.

Использование
экспертных систем позволяет во многих случаях отказаться от высококвалифицированных
специалистов, но предполагает оставить в системе место эксперту с более низкой
квалификацией. Экспертные системы служат средством для расширения и усиления
профессиональных возможностей конечного пользователя .

Компоненты МЭС

Кадр из фильма «Железный человек 2» (Iron Man II)/​Marvel Entertainment, Marvel Studios, Fairview Entertainment, Paramount Pictures

Любая экспертная система, вне зависимости от области ее применения, включает в себя следующие компоненты:

• внешний интерфейс системы, с которым работает пользователь (диалоговый компонент)
• рабочую память или базу данных – место для хранения информации по текущей задаче
• базу знаний, в которой собраны все данные о предметной области и правила их обработки. Для понимания различий между базой данных и базой знаний можно привести следующий пример. Референсные интервалы уровня гемоглобина в крови для мужчин некоторой возрастной категории относятся к области базы знаний. Конкретные цифры анализа пациента – к рабочей памяти.
• «решатель» или механизм осуществления логического вывода – компонент, который выполняет поставленную задачу, «применяя» базу знаний к исходным данным
• компонент объяснения – показывает механизм и этапы решения поставленной задачи 
• компонент получения знаний – отвечает за ввод данных в базу знаний экспертом предметной области

Рассмотрим, как все эти компоненты взаимодействуют друг с другом на практике.

Режимы работы экспертных систем

Экспертная система работает в двух режимах: режиме приобретения знаний и в режиме решения задачи (называемом также режимом консультации или режимом использования ЭИС).

• в режиме приобретения знаний общение с ЭИС осуществляет (через посредничество инженера по знаниям) эксперт. Эксперт — человек, который за годы обучения и практики научился чрезвычайно эффективно решать задачи, относящиеся к конкретной предметной области. В этом режиме эксперт, используя компонент приобретения знаний, наполняет систему знаниями, которые позволяют ЭИС в режиме решения самостоятельно (без эксперта) решать задачи из проблемной области. Эксперт описывает проблемную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют способы манипулирования с данными, характерные для рассматриваемой области.
  Режиму приобретения знаний в традиционном подходе к разработке программ соответствуют этапы алгоритмизации, программирования и отладки, выполняемые программистом. Таким образом, в отличие от традиционного подхода в случае ЭИС разработку программ осуществляет не программист, а эксперт (с помощью ЭИС), не владеющий программированием.
• в режиме консультации общение с ЭИС осуществляет конечный пользователь, которого интересует результат и (или) способ его получения. Необходимо отметить, что в зависимости от назначения ЭИС пользователь может не быть специалистом в данной проблемной области (в этом случае он обращается к ЭИС за результатом, не умея получить его сам), или быть специалистом (в этом случае пользователь может сам получить результат, но он обращается к ЭИС с целью либо ускорить процесс получения результата, либо возложить на ЭИС рутинную работу). В режиме консультации данные о задаче пользователя после обработки их диалоговым компонентом поступают в рабочую память. Решатель на основе входных данных из рабочей памяти, общих данных о проблемной области и правил из БЗ формирует решение задачи. ЭИС при решении задачи не только исполняет предписанную последовательность операции, но и предварительно формирует ее. Если реакция системы не понятна пользователю, то он может потребовать объяснения: «Почему система задает тот или иной вопрос?», «как ответ, собираемый системой, получен?».

Постановка диагноза при помощи МЭС

Кадр из фильма “РобоКоп” (RoboCop)/​Columbia Pictures MGM Strike Entertainment

Для того чтобы понять, как происходит постановка диагноза с помощью экспертной системы, попробуем разобрать принцип ее проектирования. Возьмем программу, задача которой состоит в определении риска развития заболевания.

Сначала выполняется сбор вводной информации об известных факторах, которые могут влиять на появление болезни, и их значимости. Это можно сделать, например, при помощи анкетирования пациентов с подтвержденным диагнозом, а также группы людей, у которых точно отсутствует рассматриваемая патология – в качестве контрольной группы. Далее методами многомерного анализа процедуру принятия решения по имеющимся исходным данным раскладывают на составляющие, воспроизводя аналитический процесс врача-​эксперта. На выходе получают некий набор признаков болезни (и ее отсутствия) и правил распределения пациентов между группами «риск» и «норма». Алгоритм тестируется на новой выборке и корректируется при выявлении ошибок. Итоговый набор правил вносится в базу знаний ЭС.

Кадр из фильма “Мой друг робот” (Robbi, Tobbi und das Fliewatüüt)/​StudioCanal

На приеме врач собирает анамнез (исходные данные) и вводит его в систему, используя персональный компьютер. Это может происходить в режиме диалога с программой (вопрос-​ответ) или выглядеть как заполнение определенной формы-​опросника, которая структурирует информацию для ЭС. Эти сведения попадают в рабочую память. Далее ЭС «прогоняет» их через логические правила, которые заложены в ее базу знаний, выдает ответ, с пояснением, как программа пришла к такому заключению. Пояснение может быть представлено как в графической, так и в письменной форме. Достоверность суждения экспертной системы выражается коэффициентом уверенности (K) – числовой характеристикой ложности или справедливости вывода. «K» находится в диапазоне от 1 до 0. Заключение ЭС может выглядеть следующим образом: «Пациент с низкой степенью уверенности (К=0,344) отнесен к группе риска по развитию атеросклероза». Или: «Пациент с высокой степенью уверенности (К=0,943) отнесен к группе риска по развитию атеросклероза. Рекомендовано УЗИ сердца».

Кадр из фильма “Мой друг робот” (Robbi, Tobbi und das Fliewatüüt)/​StudioCanal

По результатам назначенного исследования база знаний ЭС может быть дополнена новыми данными, которые будут использованы при диагностике следующих пациентов. Это происходит за счет компонента обучения. Чем объемнее база знаний системы, тем статистически более точными будут ее прогнозы, при условии достаточного технического обеспечения для обработки информационного массива.

Медицинская экспертная система способна оказать необходимую поддержку как узким специалистам, так и врачам общей практики или младшему медперсоналу. Профильные доктора могут использовать программу в качестве второго мнения, участковые и фельдшеры – как коллегу-​эксперта. Это будет оправдано, например, в удаленных регионах, где не хватает квалифицированных кадров.

Эволюция и внедрение экспертных систем непрерывно связаны с развитием технологий и смежных специальностей – программирование, инженерия знаний. Поэтому, возможно, в ближайшем будущем интеллектуальные системы в медицине и других практических областях будут применяться еще активнее.

Читайте еще: «Практика разработки и внедрения системы менеджмента качества в медицинской организации»

Назначение

Схема статичной Экспертной системы

Само название «Экспертные системы» подразумевает возможность замены эксперта-человека программным решением. Это позволяет предприятиям сокращать затраты на оплату труда специалистов, а самим специалистам обращаться при решении любых вопросов в рамках своей деятельности непосредственно к программе. Такие возможности сокращают время решения проблемы и позволяют молодым специалистам обучаться прямо на своем рабочем месте. Примером простейшей экспертной системы могут служить виртуальные «помощники» в пакетах ПО операционных систем компьютеров. Такие алгоритмы решения типовых вопросов избавляют разработчиков от излишней, непомерной и неоправданной нагрузки по общению с конечным пользователем.

Экспертные системы и системы искусственного интеллекта имеют основное отличие от систем обработки данных тем, что в них в основном используются символьный способ представления, символьный вывод и эвристический поиск решения.
Экспертные системы предназначены для решения только сложных практических задач. По качеству и эффективности решения экспертные системы не должны уступать решениям эксперта-человека. Решения экспертных систем. могут быть объяснены пользователю на качественном уровне, то есть обладают прозрачностью. Прозрачность экспертных систем обеспечивается их способностью рассуждать о результатах своей работы и базах знаний. Важным свойством экспертных систем является и то, что они способны обучаться.
ЭС решают задачи:

• интерпретации
• предсказаний
• диагностики
• планирования
• конструирования
• контроля
• отладки
• инструктажа
• управления

Такие задачи возникают в самых разных областях научных, деловых и промышленных областях.
Программные средства, основанные на технологии экспертных систем, получили значительное распространение в мире

Важность экспертных систем состоит в следующем:

• существенно расширяют круг практически значимых задач, решение которых приносит значительный экономический эффект
• являются важнейшим средством сокращения длительности и, следовательно, высокой стоимости разработки сложных приложений
• объединение технологии ЭС с технологией традиционного программирования добавляет новые качества к программным продуктам за счет обеспечения динамичной модификации приложений пользователем, а не программистом, большей «прозрачности» приложения, лучшей графики, интерфейса и взаимодействия.

Неформализованные задачи

Особое внимание следует уделить неформализованным задачам, потому что именно для их решения и создавались экспертные системы. Неформализованные задачи обычно обладают следующими свойствами:

• ошибочность, неоднозначность, неполнота и противоречивость исходных данных
• ошибочность, неоднозначность, неполнота и противоречивость знаний о проблемной области и решаемой задаче
• большая размерность пространства решения, то есть перебор при поиске решения может быть очень большим
• динамически изменяющиеся данные и знания

Неформализованные задачи представляют большой и очень важный класс задач. Задачи такого плана являются наиболее массовым классом задач, решаемых ЭВМ.

.1 Что такое экспертная система

Экспертная система (ЭС) — это компьютерная программа, которая моделирует
рассуждения человека-эксперта в некоторой определенной области и использует для
этого базу знаний, содержащую факты и правила об этой области, специальную
процедуру логического вывода. Разработка систем, основанных на знаниях,
является составной частью исследований по ИИ, и имеет целью создание
компьютерных методов решения проблем, обычно требующих привлечения
экспертов-специалистов. Взаимодействие эксперта, пользователя и структурных
частей системы можно представить в виде следующей базовой структуры.

Определим экспертную систему (ЭС), как программную систему, использующую
экспертные знания для обеспечения высокоэффективного решения задач в узкой
предметной области.

Рисунок
2. Аппарат УЗИ.

ЭС
выдают советы, проводят анализ, выполняют классификацию, дают консультации и
ставят диагноз. Они ориентированы на решение задач, обычно требующих проведения
экспертизы человеком-специалистом. В отличие от машинных программ, использующий
процедурный анализ, ЭС решают задачи в узкой предметной области (конкретной
области экспертизы) на основе дедуктивных рассуждений. Такие системы часто
оказываются способными найти решение задач, которые неструктурированны и плохо
определены. Они справляются с отсутствием структурированности путем привлечения
эвристик, т. е. правил, взятых «с потолка», что может быть полезным в
тех системах, когда недостаток необходимых знаний или времени исключает возможность
проведения полного анализа .

Уровни представления

Если знания о проблемной среде назвать знаниями нулевого уровня представления, то первый уровень представления содержит метазнания, т.е. знания о том, как представлены во внутреннем мире системы знания нулевого уровня. Первый уровень содержит знания о тех средствах, которые используются для представления знаний на нулевом уровне

Знания первого уровня имеют важное назначение в управлении процессом решения, в приобретении новых знаний и объяснении действий системы. Знания первого уровня не зависят от проблемной среды по той причине, что они не содержат ссылок на знания нулевого уровня

Число уровней представления может быть и больше двух. Второй уровень представления в этом случае будет содержать сведения о знаниях первого уровня, т.е. знания о представлении базовых понятий первого уровня. Разделение знаний по уровням представления обеспечивает расширение области применимости системы.