Экспертные системы или искусственный интеллект

Экспертные системы или искусственный интеллект

Экспертная система (Expert + Knowledge = Advice) представляет собой компьютерную программу, которая содержит знания и делает логическое заключение о специализированной предметной области для решения определенных задач или предоставления соответствующих рекомендаций. Это приложение, которое выполняет задачу, как если бы это был человеческий эксперт. Например, существуют экспертные системы, которые могут диагностировать заболевания человека, составлять финансовые прогнозы и планировать оптимальные маршруты маршрутов для транспортных средств. Некоторые экспертные системы предназначены для выполнения большинства экспертных функций, а другие предназначены для их помощи. Экспертные системы являются частью общей категорией компьютерных приложений, известные как искусственный интеллект.

Интегрированная производственная система на языке C (CLIPS) является разработкой Космического центра Johnson NASA . Это инструментальный инструмент для создания экспертных систем. До 1986 года он не был доступен за пределами NASA. С 1996 года серьезное внимание уделялось программам, финансируемым ERUIT , Европейской сети по разработке методов неопределенности с применением в информационных технологиях (ERUDIT); Европейская интеллектуальная технология Perfect Network для интеллектуальных технологий и адаптивных интеллектуальных систем (EUNITE); программа IST.

Экспертные системы

Экспертные системы представляют собой компьютерные информационные системы, которые предоставляют знания и делают их доступными для пользователей для решения конкретных проблем. Экспертные системы разработаны для решения ряда различных типов проблем в нескольких категориях: интерпретация, прогнозирование, диагностика, проектирование, планирование, мониторинг, отслеживание, восстановление, управление, управление. Прикладными областями для экспертных систем являются: агрономия, химия, компьютерные системы, электроника, инженерия, геология, юриспруденция, промышленность, математика, медицина, метеорология, военная наука, физика, управление процессами, космические технологии. Экспертные системы могут также использоваться для обучения в соответствующей области, используя свой опыт в решении проблемы и их организованных знаний.

Системы с использованием искусственного интеллекта.

Быстрое развитие информационных технологий и их применение в промышленности создали необходимость решения ряда сложных проблем. Для их решения необходимы различные подходы. Искусственный интеллект предлагает подходящую возможность решить некоторые сложные проблемы отрасли. Основная задача технологии, основанной на искусственном интеллекте и знаниях, заключается в создании интеллектуальных систем программирования, Такие системы обеспечивают решения проблем, связанных с большим количеством пространства поиска для неопределенных граничных условий и неполных данных, применяя эвристические стратегии и используя знания в предметной области. Сбор, структурирование и представление имеющихся знаний – ключевая проблема систем, основанных на знаниях. Интеллектуальные системы, основанные на знаниях, используются в области производства, технического обслуживания оборудования и технической диагностики. Во многих проблемах разбирательства решения носят неопределенный характер и предполагают множество альтернативных действий. Решения обычно зависят от опыта этих вопросов, к которым они применяются.

Структура экспертной системы

Применение экспертных систем

Типичные задачи экспертных систем:

  1. Интерпретация данных (например, звуковых сигналов)
  2. Диагностика неисправностей или заболеваний
  3. Структурный анализ сложных объектов (например, химических соединений)
  4. Конфигурация сложных объектов (например, компьютерных систем)
  5. Последовательности действий планирования

ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ

Системы, основанные на знаниях, применимы к широкому кругу вопросов. Согласно D.Sriram [2], они должны использоваться для таких задач, как проектирование (проектирование), диагностика, интерпретация, управление, планирование и прогнозирование. Проектирование, планирование и прогнозирование создают объекты высокого уровня с использованием метода интеграции классов объектов нижнего уровня. Диагностика, интерпретация и управление обеспечивают и интерпретируют данные и знания на этапе составления выводов и предоставления возможных решений. Каждая из этих проблем частично разлагается на ее особенности, что помогает понять отражение эксперта в конкретной области.

1. Проектирование

Проектирование – это процесс создания системы или объекта, который отвечает определенным требованиям. Одной из таких систем является XCON (в оригинале R1). Эта система предназначена для настройки компьютеров VAX. Система работает с использованием метода частично решенных схем.

FADES – это система проектирования и планирования оборудования. Знание представлено правилами, выполняемыми в виде логических процедур и предикатов первого порядка. База знаний включает в себя знание следующих областей: технологическое рабочее место, экономический анализ инвестиций, выбор назначенных алгоритмов, планирование и восстановление информации, полученной методом логических правил в существующей базе данных и другими знаниями. Требования к проектированию системы включают достижение целей встречи без высокой стоимости ресурсов. Для разрешения возможных конфликтов необходимо ввести приоритеты. Системы должны быть гибкими, требования со временем могут меняться или неизбежно непредвиденные замены конструктивных параметров. Ключевыми проблемами такого типа систем, основанных на знаниях, являются следующие:

  • вся последовательность проектных решений не должна быть заранее предсказана до тех пор, пока дизайн не продвинется значительно;
  • необходимо построить иерархию подзадач;
  • конструктивные ограничения исходят из нескольких источников;
  • переориентация неизбежна, и замена параметров дизайна может быть замечена только в перспективе;
  • требуются особые отношения между параметрами дизайна, они не могут быть легко аппроксимированы качественной отчетностью.

2. Диагностика

Диагностика рассматривается как процесс обнаружения ошибок и сбоев в любой системе. Лучшим примером диагностической системы является система MYCIN, разработанная Shortliffe.

Другая известная диагностическая система – это DELTA, разработанная Bonissone для General Electric, для обнаружения неисправностей двигателя. Чтобы выбрать определенный диапазон сбоев локомотива, система задает ряд подробных вопросов для пользователя системы. На каждом этапе система объясняет аргументы эксперта, которого она применяла. Наконец, когда выявлен отказ локомотива, система создает конкретные обратные инструкции. База знаний DELTA содержит более 500 правил, изложенных на своем языке для презентации. Система использует гибкую поисковую систему. Сначала система была разработана в LISP, а затем перепрограммирована в FORT.

ACE – это диагностическая система, которая обнаруживает и диагностирует сбои в телефонной сети путем выявления плохих мест в сети и рекомендует соответствующие ремонтные и реабилитационные услуги. Система анализирует данные из операций обслуживания и генерирует выходные данные, описывающие физическое местоположение сбоев и характеристик сети в этом месте. ACE работает без вмешательства человека, анализируя данные обслуживания, ежедневно генерируемые CRAS, компьютерной программой для администрирования отказа кабеля. ACE решает, какие части телефонной сети могут потребовать переключения или восстановления и сохраняет общую информацию из этих выводов в отдельной базе данных, к которому пользователь имеет доступ. Когда система обнаруживает поврежденные телефонные кабели, она решает, нуждаются ли они в профилактическом обслуживании, и выбирает тип поддержки как можно более эффективный, и рекомендации записываются в базе данных, к которым пользователи имеют доступ. ACE принимает решения с использованием знаний приложений для проводных центров, ежедневных данных обслуживания CRAS и стратегий сетевого анализа. ACE может генерировать выводы, но не может объяснить аргументы перед этим, вместо этого добавить к нему сводку данных, которые приводят к ней, которая удовлетворяет пользователей системы.

Система ACE была разработана в ОАДЕ – 4 и Франц Лиспе для VAX-11/780 компьютеров, в основном испытанные, а затем преобразованные в суперкомпьютеры AT & T 3B-2 Model 300, которые расположены в службах анализа кабельной сети. Он был разработан Bell Laboratories в Уиппани, штат Нью-Джерси.

NDS обнаруживает сложные множественные сбои в сети связи COMNET, реализуя стратегии экспертной диагностики, основанные на знаниях топологии сети и ее состава. Система предлагает выполнить диагностический тест, и результат каждого теста обеспечивает доказательство наличия сбоев или нет в любом из нескольких компонентов. Компоненты включают в себя процессоры связи, модемы, телефонные соединения и компьютерные терминалы. NDS является основанной на правилах системой и реализованной в ARBY. Система разработана в Smart Systems Technology в сотрудничестве сShell Development Company .

Экспертиза в диагностических системах предполагает поиск последовательных и неверных интерпретаций данных и понимание взаимосвязи между подсистемами. Ключевыми проблемами, возникающими в этом типе системы, являются следующие:

  • данные могут быть частичными, противоречивыми и несвязанными;
  • повторяющиеся ошибки могут быть замаскированы или могут вызывать симптомы, которые в противном случае решаются экспертами;
  • оборудование может ошибаться, результаты испытаний могут быть неверными;
  • некоторые данные могут быть недоступны или могут быть получены случайно.

3. Интерпретация

Интерпретация – это процесс анализа данных u1085 для определения их значения. Система такого типа DENDRAL , разработанная Бьюкененом. Система способна имитировать химическую экспертизу. Требования к интерпретации такие же, как и для диагностики, т.е. умение системы состоит в нахождении последовательных, последовательных интерпретаций данных и без отклонения возможных кандидатов до тех пор, пока не будет отклонено достаточное количество доказательств. Вопросы, связанные с интерпретацией, такие же, как и для диагностики, с одним дополнением: шаблоны распознавания образов в интерпретации длиннее и сложнее, чем диагностические диаграммы.

4. Управление

Управление рассматривается как процесс непрерывной или периодической интерпретации сигналов и включение сигнала оповещения, когда это требует интерпретация (обычно в режиме реального времени). Одной из таких систем является AAMS, разработанный Харау, для акустического контроля процесса обнаружения дефектов железнодорожных колес. Другая система управления – это NAVEX, разработанная Гилбертом для управления полетом. Помимо интерпретаций и частичной диагностики, системы этого типа должны быть способны реагировать на различные ситуации тревоги и быть в состоянии избежать ложной тревоги. Практическая проблема с такими системами заключается в том, что условие предупреждения часто зависит от контекста и связано с ожиданием сигналов, со временем и ситуацией.

5. Планирование

Планирование – это процесс создания программ для достижения нескольких целей. Планирование производства – это область, требующая значительных знаний и опыта. Эта область очень подходит для применения систем, основанных на знаниях.

Первая система планирования MOLGEN, разработанная Stefik, заключается в планировании экспериментов по молекулярной генетике. Другим примером является система ESFAS, разработанная Калбером, для оказания помощи в разработке полетов НАСА. Система GERI основана на знаниях в процессе планирования. Эти знания представлены в качестве производственных правил. База знаний системы состоит из описания характеристик, размеров и геометрических соотношений между объектами области объекта системы.

Требования к планированию и проблемы аналогичны требованиям к дизайну с добавлением требования к расписанию.

6. Прогнозирование

Прогнозирование рассматривается как процесс прогнозирования будущего на основе моделей прошлого и настоящего, а также соображений времени и случайной последовательности. Проблемы с этим типом системы заключаются в следующем:

  1. теория прогнозирования учитывает ситуации в будущем;
  2. изобилие различных видов информации;
  3. повторение функций всегда возможно, их следует описывать в порядке приоритета.
  4. При прогнозировании, а также при планировании и проектировании количество возможных решений иногда намного превышает количество интеллектуальных решений.

Возможности обучения.

Системы, основанные на знаниях, могут использоваться для обучения с использованием их опыта в решении проблемы и их организованных знаний.

Общие характеристики экспертных систем

  1. Экспертные системы заключают на основе некоторого представления человеческих знаний
  2. Экспертные системы обычно решают задачи с использованием эвристических или приближенных методов
  3. Экспертные системы моделируют то, как люди делают выводы в определенной предметной области, а не в поле
  4. эвристика
  5. Эвристика – это правила, основанные на опыте, которые кодируют определенные знания о том, как решить проблему из определенной области.
  6. Эвристические методы являются приблизительными в том смысле, что они не требуют точных данных, и решения могут быть извлечены из системы с определенной степенью определенности.

Интеллектуальная архитектура систем

Архитектура основанных на знаниях систем включает в себя следующие компоненты:

  1. база знаний (общее знание проблемы, т. Е. Факты и правила);
  2. база данных (информация о текущей проблеме, то есть входные данные);
  3. механизм заключения (методы применения общего знания к проблеме);
  4. пояснительный компонент (который информирует пользователя о выводах);
  5. пользовательский интерфейс и компонент сбора знаний; (область памяти для хранения описания и состояния проблемы, построенная из фактов, предоставленных пользователем или извлеченных из базы знаний).
Роман
Оцените автора
Безопасник
Добавить комментарий

  1. Владимир

    Хорошая статья. Экспертные системы появились в начале 80’х прошлого столетия с появлением персональных компьютеров. За рубежом (в основном США) экспертные системы начали активно развиваться и нашли широкое применение. По ним масса литературы. В России литература и информация по ЭС появилась со 2-ой половины 80’х, но интерес к ним заглох с начала 90’х по известным причинами, но так и не восстановился. На то причин много: от нехватки квалифицированных разработчиков ПО ЭС и БЗ до невостребованностью ЭС. Хотя, как никогда, а именно сейчас, объективная востребованность создания и применения ЭС высока: нехватка специалистов – экспертов в различных предметных областях, интеллектуальная поддержка принятия решений особенно в системах реального времени, накопление и сохранение знаний высококвалифицированных специалистов. Но можно с уверенностью сказать, что за ЭС, как одного из основных направлений ИИ, будущее. Поэтому автору ещё раз благодарность за хороший материал об экспертных системах.

    Ответить
  2. Александр

    Идет вал статей общего плана. Переливание из пустого в порожнее. Нужны конкретные примеры применения рассуждений. В РЭА создано управление предиктивной аналитики. А где эта аналитика. Учааствует полно людей, которые научились чо-то измерять, имеют неплохое образование, но не знают свойств сложного объекта. И пока Вы эти свойства не изучите теоретически и практически, никакой предиктивной аналитики не будет. Все кукарекают раньше времени (это капиталистический пиар и кто громче кукарекает, тому больше денег). А воз и ныне там. Изучайте технику господа. Но на это надо годы.

    Ответить