Этапы разработки экспертных систем

Разработка ЭС имеет существенные отличия от разработки обычного

программного продукта. Опыт создания ЭС показал, что использование при

их разработке методологии, принятой в традиционном программировании,

либо чрезмерно затягивает процесс создания ЭС, либо вообще приводит к

отрицательному результату.

Использовать ЭС следует только тогда, когда разработка ЭС возможна,

оправдана и методы инженерии знаний соответствуют решаемой задаче.

Чтобы разработка ЭС была возможной для данного приложения, необходимо

одновременное выполнение по крайней мере 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 вербализовать (выразить на естественном языке)

и объяснить используемые ими методы, в противном случае трудно рассчи-

тывать на то, что знания экспертов будут "извлечены" и вложены 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, а не недель);

− задача хотя и не должна быть выражена в формальном виде, но все

же должна относиться к достаточно "понятной" и структурированной облас-

ти, т.е. должны быть выделены основные понятия, отношения и известные

(хотя бы эксперту) способы получения решения задачи;

− 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 нормаль-

ный человек), так как подобные знания пока не удается (в достаточном коли-

честве) вложить в системы искусственного интеллекта.

Использование ЭС в данном приложении может быть возможно, но не

оправдано. Применение ЭС может быть оправдано одним из следующих

факторов:

− решение задачи принесет значительный эффект, например экономический;

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

− использование ЭС целесообразно в тех случаях, когда при передаче

информации эксперту происходит недопустимая потеря времени или инфор-

мации;

− использование ЭС целесообразно при необходимости решать задачу

в окружении, враждебном для человека.

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

− задача может быть естественным образом решена посредством манипуляции с символами (т.е. с помощью символических рассуждений), ане

манипуляций с числами, как принято в математических методах и в традиционном программировании;

− задача должна иметь эвристическую, а не алгоритмическую природу, т.е. ее решение должно требовать применения эвристических правил. Задачи, которые могут быть гарантированно решены (с соблюдением u1079 заданных

ограничений) с помощью некоторых формальных процедур, не подходят для применения ЭС;

− задача должна быть достаточно сложна, чтобы оправдать затраты на

разработку ЭС. Однако она не должна быть чрезмерно сложной (решение занимает у эксперта часы, а не недели), чтобы ЭС могла ее решать;

− задача должна быть достаточно узкой, чтобы решаться методами

ЭС, и практически значимой.

При разработке ЭС, как правило, используется концепция "быстрого

прототипа". Суть этой концепции состоит в том, что разработчики не пытаются сразу построить конечный продукт. На начальном этапе они создаютпрототип (прототипы) ЭС. Прототипы должны удовлетворять двум противоречивым требованиям: с одной стороны, они должны решать типичные задачи конкретного приложения, а с другой - время и трудоемкость их разработки должны быть весьма незначительны, чтобы можно было максимально запараллелить процесс накопления и отладки знаний (осуществляемый экспертом) с процессом выбора (разработки) программных средств (осуществляемым инженером по знаниям и программистом). Для удовлетворения указан-ным требованиям, как правило, при создании прототипа используются разнообразные средства, ускоряющие процесс проектирования.

Прототип должен продемонстрировать пригодность методов инженерии знаний для данного приложения. В случае успеха эксперт с помощью инженера по знаниям расширяет знания прототипа о проблемной области.

При неудаче может потребоваться разработка нового прототипа или разработчики могут прийти к выводу о непригодности методов ЭС для данного приложения. По мере увеличения знаний прототип может достигнуть такого состояния, когда он успешно решает все задачи данного приложения. Преобразование прототипа ЭС в конечный продукт обычно приводит к перепрограммированию ЭС на языках низкого уровня, обеспечивающих как увеличение быстродействия ЭС, так и уменьшение требуемой памяти. Трудоемкость и время u1089 создания ЭС в значительной степени зависят от типа используемого инструментария.

В ходе работ по созданию ЭС сложилась определенная технология их разработки, включающая шесть следующих этапов (рис.5): идентификацию, концептуализацию, формализацию, выполнение, тестирование, опытную эксплуатацию. На этапе идентификации определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей.

Рис. 5. Технология разработки ЭС

На этапе концептуализации проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.

На этапе формализации выбираются ИС и определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.

На этапе выполнения осуществляется наполнение экспертом базы знаний. В связи с тем, что основой ЭС являются знания, данный этап является наиболее важным и наиболее трудоемким этапом разработки ЭС. Процесс приобретения знаний разделяют на извлечение знаний из эксперта, организацию знаний, обеспечивающую эффективную работу системы, и представление знаний в виде, понятном ЭС. Процесс приобретения знаний осуществляется инженером по знаниям на основе анализа деятельности эксперта по решению реальных задач.

Одна из новых сфер применения экспертных систем – задачи управления сложными техническими объектами и процессами. Заметим, что традиционный подход к проектированию систем автоматического управления (САУ) сводится к выбору таких алгоритмов управления объектом (часто в рамках некоторых стандартных, например, ПИ (ПИД) - законов управления), которые обеспечили бы заданные требования к качеству установившихся и переходных режимов работы в условиях действия возмущений. Математическая модель объекта (процесса) при этом считается известной, что позволяет использовать на стадии синтеза алгоритмов управления (регулятора) хорошо разработанные методы оптимизации. Требования к качеству процессов управления задаются или в виде желаемых значений показателей качества САУ (порядок астатизма, время регулирования, перерегулирование и др.) или же в виде некоторых функционалов качества, подлежащих оптимизации.

В основе данного подхода лежит убеждение в том, что поведение любого объекта и системы можно достаточно точно описать математически, с помощью количественных зависимостей. Даже в тех случаях, когда речь идет о проектировании адаптивной САУ, математическая модель объекта управления, как правило, записывается в виде системы дифференциальных уравнений, включающих в себя, помимо переменных входа, выхода и состояния объекта, также источники «неопределенностей» (т.е. параметрические, сигнальные или структурные возмущения), удовлетворяющие определенным ограничениям. Вместе с тем выбор такой модели нередко производится на основе упрощенных представлений разработчика о функционировании системы, его стремлении подогнать результаты синтеза под имеющиеся модели и инструментальные средства проектирования, получить не "хорошую" систему, а "удобную" процедуру синтеза.

Очевидно, что применение экспертных систем, аккумулирующих знания и опыт экспертов-специалистов в данной предметной области, позволяет существенно повысить качество проектируемых систем управления. Возможны два варианта использования экспертных систем:

1) в качестве "советчика" на этапе проектирования САУ (режим off-line), предлагающего к рассмотрению большое число вариантов (альтернатив) построения регулятора и поясняющего преимущества или недостатки тех или иных решений;

2) включив ее непосредственно в контур управления объектом (процессом) и используя в режиме реального времени (on-line) в качестве "экспертного регулятора" (или "экспертно-управленческой" системы), заменяя, таким образом, традиционные цифровые регуляторы или дополняя их.

Если в первом из этих случаев проблема построения экспертной системы сводится к проблеме "инженерии знаний" (knowledge engineering), т.е. накопления, обобщения знаний экспертов и представления их в наиболее наглядной и удобной для пользователя форме, то цели и функции экспертной системы во втором случае уже совершенно иные.

На "экспертный регулятор" здесь возлагается задача оценки текущего состояния системы на основе информации, поступающей от датчиков, и выбора наиболее подходящей в данный момент стратегии управления, так же, как это делал бы опытный человек-оператор, хорошо представляющий себе особенности управления данным конкретным объектом или процессом. Системы управления 2-го типа, построенные на основе экспертных регуляторов, имитирующих действия человека-оператора в условиях неопределенности характеристик объекта и внешней среды, называются интеллектуальными системами управления (intelligent control systems).

Согласно другому аналогичному определению, интеллектуальной системой управления (ИСУ) является такая, которая обладает способностью понимать, рассуждать и изучать процессы, возмущения и условия функционирования. К изучаемым факторам при этом относятся, главным образом, характеристики процесса (статическое и динамическое поведение, характеристики возмущений, практика эксплуатации оборудования). Желательно, чтобы система сама накапливала эти знания, целенаправленно используя их для улучшения своих качественных характеристик.

Чтобы лучше понять принципы функционирования этих систем, рассмотрим возможную структуру ИСУ (рис. 6), предназначенной для управления гибкой производственной системой (ГПС) .

Гибкая производственная система (flexible manufacturing system) – это такой тип системы, которая объединяет совместно функционирующую в едином производственном процессе группу станков (или рабочих станций), управляемых с помощью ЭВМ и легко переналаживаемых под выпуск широкой номенклатуры изделий. Управление ГПС имеет свои особенности – частая смена заказов на выпуск продукции, большой объем перерабатываемой информации, динамически изменяющаяся внешняя среда.

Интеллектуальная система управления (рис.1.3) обеспечивает принятие рациональных, обоснованных решений по управлению ГПС на этапах планирования, выпуска конечной продукции и контроля за ходом производства.

Рис.6. Структура интеллектуальной системы управления ГПС

В функции системы управления при этом входят: сохранение нужного состава деталей в системе; выбор последовательности операций по их управлению; распределение работ по станкам; размещение деталей в накопителях в процессе обработки; выбор транспортных средств для перевозки материалов; управление их движением и т.д.

Указанные задачи решаются в режиме прямого цифрового управления (on-line) с помощью специализированной ЭВМ, на которую возлагаются также функции по сбору информации о планируемых заказах, фактическом их исполнении, эффективности функционирования ГПС и по управлению вводом и выводом данных.

Экспертная система играет важную роль в процессе принятия решений, выполняя функции "интеллектуальной" обратной связи. В качестве основных модулей (компонент) в состав экспертной системы входят:

- модуль прогнозирования входных воздействий (МПВ), отвечающих за выполнение прогнозов тех внешних переменных, которые определяют требованиями производства и оказывают непосредственное влияние на график прохождения деталей, использование оборудования и т.д.;

- модуль анализа состояния системы (MAC), обеспечивающий моделирование поведения ГПС на основе входов, предсказанных МПВ, начального состояния системы и фиксированных параметров стратегии (т.е. способа) управления ГПС;

- модуль назначения стратегии (МНС), отвечающий за выбор наиболее пригодных для данной конкретной ситуации альтернатив из имеющегося множества стратегий управления:

- модуль выбора параметров стратегии (МПС), предназначенный для выбора конкретных значений параметров (числовых показателей), определяющих ту или иную стратегию управления.

Взаимодействие перечисленных выше компонент в составе ИСУ показано на рис. 7. В процессе работы данной системы используются как; формализованные, математические, методы (временного сглаживания, статистического прогнозирования, распознавания образов, поисковые методы оптимизации и др.), так и специфические, качественные, знания (know-how), полученные путем обработки мнений экспертов и накопленные в базе знаний. Последние включают в себя результаты, касающиеся реакций производственной системы на отдельные комбинации входных воздействий. Для определения частной стратегии управления применяется механизм логического вывода, т.е. набор определенных правил принятия решений с использованием накопленной информации о функционировании ГПС.

Рис.7. Взаимодействие компонент ИСУ

Данная интеллектуальная система управления быстро реагирует на изменения условий производства (очередности и размеров заказанных партий деталей, количества исправных станков, износа инструмента и т.п.), адаптируясь к указанным возмущениям, изменяя логику своей работы и сокращая в конечном итоге суммарное время изготовления деталей и запасы незавершенного производства.

литература

а) Основная:

1. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы.- М.:Изд-во «Финансы и статистика», 2004.-423с.

2. Гаврилова Т.А., Хорошевский В.Ф.Базы знаний интеллектуальных систем – СПб.: Питер, 2000. – 384 с.

3. Джексон П. Введение в экспертные системы: Учебное пособие. Пер. с англ. – М.: «Вильямс», 2001. – 624 с.

4. Искусственный интеллект. В 3 кн. / Под ред. Д.А. Поспе­лова. — М.: Радио и связь, 1990.-304 с.

5. Искусственный интеллект. В 3-х кн. Кн. 1. Системы общения и экспертные системы: Справочник / Под ред. Э. В. Попова. – М.: Радио и связь, 1990. – 464 с.

6. Пупков К.А., Коньков В.Г. Интеллектуальные системы. – М.: Изд – во МГТУ им. Н.Э. Баумана, 2003.

7. Статические и динамические экспертные системы: Учебное пособие / Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. – М.: Финансы и статистика, 1996. – 320 с.

б) Дополнительная:

1.. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. – М.: Финансы и статистика, 2007. – 175 с.

2. Гаврилов А. В. Системы искусственного интеллекта: уч.пособие. – Новосибирск: Изд-во НГТУ, 2002. – 77 с.

3. Ерёмин Д. М., Гарцев И. Б. Искусственные нейронные сети в интеллектуальных системах управления: учебн. пособие. – М.: Изд-во МИРЭА, 2004. – 75 с.

6. Капля В. И., Капля Е. В., Коробцова Е. В. Системы искусственного интеллекта: учебное пособие по дисциплине "Системы искусственного интеллекта" / ВолгГТУ, Волгоград, 2006. - 80 c.

7. Луценко Е. В.Интеллектуальные информационные системы: Учебное пособие .Изд-е 2-е испр. и доп. – Краснодар: КубГАУ. 2006. – 645 с.

8. Экспертные системы: Инструментальные средства разработки: учебн. пособие. Под ред. Ю. В. Юдина. – СПб.: Политехника, 1996. – 220 с.