Диплом - Построение экспертных систем

Подождите немного. Документ загружается.

 •Разработать механизм логического вывода, соответствующий этому формализму.

 •Добавить средства взаимодействия с пользователем.

 •Обеспечить возможность работы в условиях неопределенности.

1.4. Методы приобретения знаний.

Приобретение знаний реализуется с помощью двух функций: получения информации

извне и ее систематизации. При этом в зависимости от способности системы обучения к

логическим выводам возможны различные формы приобретения знаний, а также различные

формы получаемой информации. Форма представления знаний для их использования

определяется внутри системы, поэтому форма информации, которую она может принимать,

зависит от того, какие способности имеет система для формализации информации до уровня

знаний. Если обучающаяся система совсем лишена такой способности, то человек должен

заранее подготовить все, вплоть до формализации информации, т. е. чем выше способности

машины к логическим выводам, тем меньше нагрузка на человека.

Функции, необходимые обучающейся системе для приобретения знаний, различаются

в зависимости от конфигурации системы. В дальнейшем при рассмотрении систем

инженерии знаний предполагается, что Существует система с конфигурацией, показанной на

рис, 1.1, которая включает базу знаний и механизм логических выводов, использующий эти

знания при решении задач. Если база знаний пополняется знаниями о стандартной форме их

представления, то этими знаниями также можно воспользоваться. Следовательно, от

функций обучения требуется преобразование полученной извне информации в знания и

пополнение ими базы знаний.

Рисунок 1.1 Базовая структура систем обработки знаний

Можно предложить следующую классификацию систем приобретения знаний,

которая будет опираться на способность системы к восприятию знаний в разных форматах,

качественно различающихся между собой и способностью к формализации (рис.1.2).

Человек

Механизмы выводов обучающей

системы

Механизмы выводов

пользовательской системы

База

знаний

Получение данных

представленных в виде знаний

(Категория Б)

Простое запоминание

данных (Категория А)

Рисунок 1.2. Классификация методов приобретения знаний.

1.5. Анализ снизу вверх и сверху вниз

“Сверху вниз”, “снизу вверх”, “прямой”, “обратный”, “управляемый данными”,

“движимый целью” - три пары определений для таких терминов, как “цепной анализ”,

“парсинг”, “синтаксический разбор”, “логический анализ” и “поиск”. В принципе, все эти

термины отражают сходные отношения, и различие между ними состоит лишь в том, что они

взяты из различных подобластей компьютерной науки и искусственного интеллекта

(парсинг, системы с заложенными в них правилами, поисковые системы и системы,

направленные на решение проблем и т.д.)

Суть этих противопоставлений можно проиллюстрировать на примере парадигмы

поиска. Основная задача любого поиска состоит в том, чтобы определить маршрут, по

которому вы будете перемещаться с настоящей позиции к вашей цели. Если вы начнете

поиск с текущей позиции и будете продолжать его, пока не наткнетесь на желаемый

результат, - это так называемый прямой поиск или поиск снизу вверх. Если вы мысленно

ставите себя в то место, где вы хотите очутиться в результате поиска и определяете маршрут,

двигаясь в обратном направлении, т.е. туда, где вы действительно находитесь в настоящий

момент, - это поиск в обратном направлении или поиск сверху вниз. Обратите внимание на

то, что, определив маршрут в результате обратного поиска, вам все же предстоит добраться

Методы приобретения знаний

Обучение на примерах Обучение на метауровнеОбучение без выводов

Получение данных

представленных в виде знаний

(Категория Б)

Простое запоминание

данных (Категория А)

Получение знаний, представленных

во внешнем формате и их понимание

Получение знаний, представленных во

внутреннем формате в режиме диалога

Получение готового набора знаний,

представленных во внутреннем

формате

до своей цели. Несмотря на то, что сейчас вы движетесь вперед, это не является прямым

поиском, т.к. поиск уже был осуществлен ранее, причем в обратном направлении.

Эти же противопоставления можно рассмотреть на примере систем с встроенными

правилами. Представим себе, что правило состоит из набора антецедентов и набора

следствий. Когда система определяет, что все антецеденты определенного правила

удовлетворены, это правило вызывается и выполняется (выполняется ли каждое вызванное

правило зависит от специфики конкретной системы). После этого в базу знаний заносятся

утверждения, полученные в результате выполнения правила, и выполняются

соответствующие операции. Данный процесс происходит вышеописанным образом,

независимо от того, применяет ли система прямой или обратный логический анализ. Чтобы

проиллюстрировать различия между ними, следует отдельно рассмотреть процедуру

активации правила. Вызываются только активированные правила. При прямом логическом

анализе (снизу вверх), когда в систему добавляются новые данные, они сравниваются со

всеми антецедентами всех правил. Если данные соответствуют антецеденту правила, то это

правило активируется (если оно еще не является активированным), и если подобраны все

антецеденты определенного правила, то оно вызывается. Утверждения, полученные в

результате выполнения правила, заносятся в базу знаний и рассматриваются в качестве

новых данных, сравниваются с антецедентами и могут вызвать активацию и вызов

дополнительных правил. При обратном логическом анализе (сверху вниз) при добавлении

данных правила не активируются. Когда система получает запрос, он сравнивается со всеми

следствиями всех правил. Если запрос совпадает со следствием, то это правило

активируется, а все его антецеденты рассматриваются в качестве вторичных запросов и

могут вызвать активацию дополнительных правил. Когда запрос соответствует не

ограниченному условием утверждению базы знаний, на него поступает ответ, и если этот

запрос исходил от антецедента, считается, что он удовлетворяет последнему. Когда все

антецеденты некоторого правила будут удовлетворены, правило вызывается и выполняется.

При выполнении правила осуществляется ответ на запросы, которые его активировали, и

теперь другие антецеденты считаются удовлетворенными и могут вызываться

соответствующие им правила. Обратите внимание на то, что вызов и выполнение правила

всегда происходит в прямой последовательности, а отличие прямого цепного анализа от

обратного состоит в том, когда активируется правило.

1.5.1. Сравнение.

Эффективность. Выбор вида анализа (сверху вниз или снизу вверх) зависит от

конфигурации дерева, по которому осуществляется поиск. Если в среднем каждому элементу

следует большее количество элементов, нежели предшествует, то анализ сверху вниз (или

обратный анализ) будет более эффективным и наоборот. Рассмотрим крайний случай.

Допустим, что поисковая область образует дерево с вершиной в начальном состоянии. Тогда

при использовании прямого подхода нам придется осуществлять поиск практически по

всему дереву, тогда как при обратном подходе - только в его линейной части.

1.5.2. Сравнение и унификация.

В системах с заложенными правилами или системах логического анализа выбор

прямого или обратного цепного анализа влияет на степень трудности процесса сравнения.

При прямом цепном анализе системе постоянно предъявляются новые факты, не имеющие

свободных переменных. Таким образом постоянно проводится сравнение антецедентов,

вполне вероятно обладающих свободными переменными, с фактами, не обладающими

таковыми.

С другой стороны, системам с обратным цепным анализом често задают специальные

вопросы. Если правила изложены в логике предикатов, а не логике суждений, тогда

производится сравнение вопроса с переменной со следствием с переменными. Вторичные

запросы также могут содержать переменные, поэтому, в общем, системы с обратным цепным

анализом должны быть разработаны таким образом, чтобы они могли сравнивать две

символьные структуры, каждая из которых может содержать переменные, для чего

потребуется создание алгоритма унификации.

1.5.3. Смешанные стратегии

Поиск в двух направлениях. Если не ясно, какой вид поиска - прямой или обратный -

является наиболее приемлимым для конкретного приложения, следует осуществлять поиск в

двух направлениях. В таком случае, отправными точками становятся начальное и конечное

состояние, и поиск осуществляется по направлению к центру.

Вывод по двум направлениям. При данном подходе изначальные данные

применяются для активирования правил, котоые перебирают другие антецеденты в обратном

порядке. Вторичные запросы, которые не соответствуют ни следствиям, ни данным,

сохраняются в качестве “демонов”, которые могут быть удовлетворены позднее за счет

новых или позднее поступивших данных. Систему можно разработать таким образом, что

данные, удовлетворяющие “демонам” (антецеденты активированных правил) не будут

активировать дополнительные правила, что “заставит” систему при предстоящем прямом

выводе сконцентрироваться на правилах, учитывающих предыдущий контекст.

Разбор с началом в левом углу. Применив вышеописанный метод к парсингу, мы

получим так называемый разбор с началом в левом углу. В терминах примера, приведенного

в разделе парсинг, система сначала рассмотрит “they”, найдет правило 9 - единственное

правило, которое можно применить к этому слову, затем правило 3, объясняющее PRO, а

затем правило 1, как единственное правило, следствие которого начинается с NP. Далее

система попытается разобрать сверху вниз “are flying planes” как VP.

2. Пример разработки экспертной системы.

2.1. Теория построения экспертных систем

2.1.1. Основные понятия

Начнем с канонического определения, которое приводят в своей широко известной

книге "Программирование экспертных систем" Б. Сойер и Д. Фостер (в переводе на русский

язык она вышла в 1998 г. в Москве в издательстве "Финансы и статистика", и настоятельно

рекомендуется тем читателям, которые не боятся математики и сухого научного стиля

изложения).

Итак, современные экспертные системы (ЭС) - особые компьютерные программы,

моделирующие действия эксперта-человека при решении задач в какой-либо предметной

области на основе накопленных знаний, составляющих БАЗУ ЗНАНИЙ (БЗ).

Идея смоделировать действия человека не нова, и трудно найти такую область

деятельности, в которой ее не пытались бы реализовать (кран - "длинная железная рука" и

пр.). Первая промышленная революция XVIII в. во многом основывалась на подобных

механизмах (прядильные, чесальные машины и т.п.). Но то были попытки моделирования

физической деятельности.

Прошло еще полтора века, прежде чем стала актуальной задача моделирования

умственной деятельности. В научных работах этого направления выделяются исследования

советских психологов, направленные на описание механизма принятия решения человеком

(O.K. Тихомиров и др.), а также труды нашего выдающегося шахматиста и математика М.М.

Ботвинника по моделированию игры шахматиста. Собственно шахматы долгое время

оставались основным полигоном для отработки тех алгоритмов, которые легли в основу

экспертных систем.

Однако только с появлением ЭВМ стало возможным воплотить теоретические

наработки в жизнь. Первые экспертные системы (т.н. ЭС первого поколения) представляли

собой фактически усложненные электронные справочники, где принятие решения

осуществлялось с помощью перебора вариантов. Они отлично справлялись с поисковыми

задачами (например, с нахождением требуемых телефонных номеров или формул), но имели

мало общего с интеллектуальной деятельностью. Строго говоря, "База Знаний" подобных

систем была фактически базой данных; эти системы отличались от традиционных программ

главным образом возможностью для специалиста-пользователя составлять и задействовать

для последующих поисков различного рода сложные выборки. (Естественно, были и иные

различия, но их рассмотрение выходит за рамки журнальной статьи. Поэтому при описании

ЭС всех поколений ограничимся тем, что, на наш взгляд, особенно важно для читателя -

руководителя, менеджера по персоналу, кадровика, психолога и т.п.)

Может показаться странным, что такие примитивные системы именовались

экспертными, однако это лишь показывает темпы технического прогресса, и с позиций

завтрашнего дня сегодняшние революционные разработки, возможно, также будут

нескладными.

Но вернемся к рассматриваемым системам. Довольно быстро разработчики ЭС первого

поколения поняли, что путь тупого перебора вариантов - длинный и непродуктивный.

Человек никогда не перебирает все варианты, он отсекает заведомо нереальные. Так

возникли ЭС второго поколения, имеющие встроенные алгоритмы для скорейшего

нахождения требуемого варианта, т.е. имеющие пусть примитивную, но все же "Базу

Знаний". Говоря современным языком, их БЗ включала Базу данных и алгоритмы по работе с

этими данными, заложенные экспертами-разработчиками.

Описываемые системы, хотя и были на голову выше обычных программ, имели

существенный недостаток - с ними могли работать только программисты. Пока работа

выполнялась на ЭВМ размером с трехэтажный дом, это не был такой уж большой недостаток

- обслуживать подобных монстров все равно могли только специально обученные люди. Но с

появлением персональных компьютеров встал вопрос о разработке т.н. дружественных

интерфейсов не для компьютерщиков, а для врачей, инженеров и т.д. Это представляло

весьма непростую задачу, так как экспертные системы того времени были очень сложными в

управлении.

Однако, поскольку в этом были заинтересованы и военные, и фирмы, производящие

компьютеры, и многие гражданские организации, достаточно быстро был создан т.н.

"Дружественный Интерфейс Пользователя с защитой от дурака" (ДИП), позволяющий тому

специалисту, который работает с данной экспертной системой (например, экономисту, врачу

и др.) вводить в ЭС требуемую дополнительную информацию (новые данные и др.), без

помощи программиста. Для своего времени это был огромный успех - экспертные системы

сразу "пошли в народ", и круг их пользователей многократно расширился. Эти системы

принято называть ЭС 3-го поколения.

Читатели должны понимать, что с позиций сегодняшнего дня все вышеописанные

системы не являлись экспертными. Поэтому ряд авторов, рассматривая экспертные системы,

описывают лишь современные разработки. Но поскольку на рынке кадровых программ еще

встречаются примитивные программные продукты, гордо именуемые ЭС (и стоящие

соответственно), а в действительности давно этому классу не соответствующие (не говоря

уже о явных подделках), редакция сочла, что информация о пути становления ЭС будет для

читателей полезной. Следует всегда помнить, что программа с "элементами экспертной

системы" (цитирую горе-изготовителя) никакого выигрыша в качестве и скорости не дает.

Нельзя быть отчасти беременной - современное программное обеспечение либо является

экспертной системой, либо не является - все промежуточные варианты не более чем попытка

сыграть на "богатом" названии.

За краткостью журнальной статьи опустим описание обстоятельств возникновения

ЭС 4-го поколения. Заметим лишь, что их создание стало возможным благодаря

стремительному прогрессу в разработке компьютеров (и, в частности, повышение их

быстродействия), а также совершенствованию математического аппарата. В итоге

создателям ЭС по обе стороны океана (в США, Европе и России) удалось изготовить

принципиально иные ЭС - они не только выполняли сложные расчеты и поиски, а, извлекая

данные из памяти, выдавали рекомендации и ПРИНИМАЛИ РЕШЕНИЯ. Т.е. ПОЧТИ

являлись экспертными системами в современном смысле этого слова (важность этого

"почти" применительно к кадровой работе Вы увидите ниже).

В наши дни системы такого типа имеют огромные базы знаний и очень популярны во

многих сферах деятельности, несмотря на свою высокую стоимость, поскольку строят

собственное дерево заключений для достижения каждого нового решения (обычные

компьютерные программы при решении задачи используют одну и ту же последовательность

операций, т.е. они жестко детерминированы).

Естественно, подобные системы попытались использовать и при отборе и расстановке

кадров. И - получили весьма посредственные результаты. Современные потомки подобных

систем встречаются сегодня и в России - как правило, их базы знаний содержат от

нескольких тысяч до нескольких десятков тысяч неких констант, именуемых

производителями "переменными", "постоянными", "правилами" и т.п. Но сути это не меняет

- подобные системы не могут обеспечить высокую точность результатов в кадровой работе

по одной простой причине - они ЛИНЕЙНЫ по своей природе, т.е. имеют свод жестких

правил и на его основе принимают всегда ЛОГИЧНЫЕ решения. И как бы ни старались

авторы подобных программ, увеличивая число правил в Базе Данных или привлекая

профессиональных психологов к составлению этих правил, как говорят англичане "из

свиного уха не сделаешь бисерного кошелька".

Не сделаешь в данном случае потому, что человек является объектом а) активным и б)

нелинейным. На этом принципиальном вопросе остановимся подробнее. Давайте сравним

два объекта экспертных систем - человека и, скажем, крылатую ракету.

Итак, крылатая ракета. Для управления ее движением используются экспертные

системы 4-го поколения. Что такое полет такой ракеты? Это необходимость для экспертной

системы одновременно и с высокой скоростью учитывать множество факторов (рельеф

местности, силу ветра, действия противника и т.д. и т.п.) и принимать решения по

управлению ракетой. Для таких задач экспертная система 4-го поколения подходит как

нельзя, лучше, поскольку ракета а) пассивна и б) линейна. Пассивна - т.е. не изменяет сама

условий расчета, линейна - т.е. она всегда реагирует на одни и те же изменения одинаково.

Однако человек - совершенно иной объект. Он активен, т.е. действует

самостоятельно, постоянно меняя тем самым условия расчета; он нелинеен, т.е. может

реагировать на одни и те же изменения совершенно по-разному. Т.е. человек не

руководствуется законами формально-логическими, используемыми при построении

математических моделей. Говоря словами М. Ботвинника, человек с точки зрения

математики алогичен и поэтому неформализуем. Линейная система лишена нелогичности по

определению и поэтому траекторию крылатой ракеты просчитывает отлично, а деятельность

человека - нет.

Подлинный прорыв (а фактически - появление тех самых экспертных систем, которые

и работают с кадрами сегодня), произошел во второй половине 90-х годов, когда резко

увеличился объем памяти, сохраняемой на диске компьютера, и упала ее цена. Это дало

возможность сначала в США (фирма "American Research"), а спустя некоторое время в

России, (НПО "Эталон", а для гражданских нужд - Центр "Хобби") разработать экспертные

системы 5-го поколения - прецедентные экспертные системы. Такие системы в корне

отличаются от своих предшественниц тем, что их Базу знаний образуют не только

логические правила, а и т.н. "база прецедентов" - результаты обследования реальных людей

и информация о последующей успешности / неуспешности их деятельности.

Иными словами, прецедентные экспертные системы кроме "Базы знаний" имеют еще

и "Базу прецедентов" (БП). В первых прецедентных системах приходилось создавать

несколько "Баз прецедентов" для смежных областей, затем российским разработчикам

удалось соединить прецеденты различных областей в одной БП и учитывать корреляцию

между ними при принятии решений ЭС - это позволило таким системам работать в реальном

времени.

Помимо этого, лучшие экспертные системы 5-го поколения могут сами выделять

наиболее характерные для группы работников качества, степень их выраженности и т.п. и

создавать нелинейные модели должностей (т.н. "многомерные многофакторные профили").

Не описывая сложнейший математический аппарат подобных систем, отмечу, что в

итоге для пользователя они получились намного более простыми, чем предыдущие.

Применение прецедентов позволило уменьшить число диагностируемых параметров, а

использование факторного анализа в сочетании с возможностями последних поколений

процессоров Pentium - автоматизировать практически все функции системы. Ручной режим в

таких системах сохранен только для специалистов - HR-менеджеров, психологов и т.п.

При всех своих достоинствах, прецедентные экспертные системы трудны в

изготовлении и эффективно работают, имея базу прецедентов (т.е. результаты обследований)

в несколько сот тысяч человек. Для примера, база прецедентов экспертной системы Нью-

Йоркской полиции - 786 000 чел., НПО "ЭТАЛОН" - 542 000 чел., причем, по словам

специалистов этого НПО, ЭС заработала с ожидаемой точностью, только когда база

перевалила за 200 000 чел. Подобные системы в мире изготавливает менее двух десятков

фирм, на их создание уходит не меньше 5-6 лет.

Однако, как говорится, игра стоит свеч - судя по публикациям и личным встречам

экспертов, руководители предприятий, HR-менеджеры и кадровики, опробовавшие

прецедентные экспертные системы, едины во мнении - эти ЭС в состоянии решать такие

задачи, которые в принципе невозможно решить с помощью иных программ, например,

компьютерная прогностика состояния персонала в реальном времени, определение

тенденций в развитии организации и пр.

Такие системы приходят к своим решениям во многом на основе человеческих

наблюдений и фактически, наряду с математическими алгоритмами, используют

человеческую логику для принятия решений. И в этом их огромное и принципиальное

преимущество.

При этом простота в обращении, высокая пропускная способность и многогранность

результатов позволяют использовать прецедентные экспертные системы практически во всех

сферах работы с персоналом.

Следует отметить, что принцип "прецедентов" оказался эффективным не только в

кадровых экспертных системах, но и в других областях - в частности, бортовой компьютер

американского самолета-невидимки "Стелс" содержит прецедентную экспертную систему на

случай нештатных ситуаций, а профессиональные модели фотоаппаратов "Nikon" -

прецедентную экспертную систему с 30 тыс. реальных съемочных ситуаций [8].

Чтобы проводить экспертизу, компьютерная программа должна быть способна

решать задачи посредством логического вывода и получать при этом достаточно надежные

результаты. Программа должна иметь доступ к системе фактов, называемой базой знаний.

Программа также должна во время консультации выводить заключения из информации,

имеющейся в базе знаний. Некоторые экспертные системы могут также использовать новую

информацию, добавляемую во время консультации. Экспертную систему, таким образом,

можно представлять состоящей из трех частей:

1. База знаний (БЗ).

2. Механизм вывода (МВ).

3. Система пользовательского интерфейса (СПИ).