Интенсионал и экстенсионал понятия

Интенсиональные знания — это знания о связях между атрибутами (признака­ми) объектов данной предметной области. Они оперируют абстрактными объек­тами, событиями и отношениями.

Экстенсиональные знания представляют собой данные, характеризующие конк­ретные объекты, их состояния, значения параметров в пространстве и времени

10. Глубинные и поверхностные знания, их отличие

В глубинных знаниях отражается понимание структуры предметной области, на­значение и взаимосвязь отдельных понятий (глубинные знания в фундаменталь­ных науках — это законы и теоретические основания). Поверхностные знания обычно касаются внешних эмпирических ассоциаций с каким-либо феноменом предметной области.

Например, для разговора по телефону требуется лишь поверхностное знание того, что, сняв трубку и правильно набрав номер, мы соединимся с нужным абонен­том. Большинство людей не испытывает необходимости в глубинных представ­лениях о структуре телефонной связи, конструкции телефонного аппарата, ко­торыми, безусловно, пользуются специалисты по телефонии.

Отмечается, что большинство экспертных систем основано на применении поверхностных знаний. Это, однако, нередко не мешает достигать вполне удов­летворительных результатов. Вместе с тем, опора на глубинные представления помогает создавать более мощные, гибкие и интеллектуальные адаптивные сис­темы. Наглядным примером может служить медицина. Здесь молодой и недос­таточно опытный врач часто действует по поверхностной модели: «Если кашель — то пить таблетки от кашля, если ангина — то эритромицин» и т. п. В то же время опытный врач, основываясь на глубинных знаниях, способен порождать разно­образные способы лечения одной и той же болезни в зависимости от индивиду­альных особенностей пациента, его состояния, наличия доступных лекарств в аптечной сети и т. д.

Глубинные знания являются результатом обобщения первичных понятий пред­метной области в некоторые более абстрактные структуры. Степень глубины и уровень обобщенности знаний непосредственно связаны с опытом экспертов и могут служить показателем их профессионального мастерства.

11. Процедурные и декларативные знания

Инженерия знаний определяет их как набор фактов, понятий, правил и эвристики, направленных па решение задач. Знания о каком-либо предмете могут быть разделены на две группы: декларативные и процедурные. Декларативные знания — это описательное представление в какой-либо предметной области. Это поверхностные знания о том, что собой представляет предмет, как он выглядит и что он означает. Знание того, «что» представляет собой отчет о прибылях и убытках, является примером декларативного знания (знания фактов). Процедурные знания являются набором интеллектуальных способностей, направленных на знание того, «как» сделать что-либо (например, как подготовить годовой отчет о прибылях и убытках фирмы). Процедурные знания являются предписывающими: они используют процедурные знания для определения образа действий.

Факты и понятия по большей части относятся к декларативным знаниям. Правила и алгоритмы являются примерами процедурных знаний. Наличие процедуры выполнения какого-либо действия не обязательно означает наличие навыков, необходимых для осуществления задачи. Декларативные и процедурные знания отдельного человека основаны на его опыте, воспитании и обучении. Знания подразумевают изучение, осведомленность и компетентность в различных вопросах, которые представлены в ментальных моделях (интеллектуальные модели).

Существует особый вид знаний, называемых здравым смыслом. Он формируется со временем и представляет собой накопленные декларативные и процедурные знания, которые сами собой разумеются для большинства людей. Здравый смысл, построенный на основе информации, представляет собой совокупность информации по какому-либо вопросу, которую «следует знать» всем. Такие знания также называются знаниями общего плана и могут быть описаны как процедуры, установленные порядки и процессы, направленные на эффективное выполнение различных (профессиональных) задач.

Наиболее важным аспектом знаний является их долговечность. Неизменные знания, такие как чаконы природы, не меняются со временем. Статичные знания, такие как политика бизнеса или его процедуры, статичны лишь какое-то время — рано или поздно их ждут перемены. Динамичные знания, такие как условия рынка или норма возврата инвестиций, изменяются от одного приложения к другому.

12. Модели представления знаний; продукционная модель

Продукционная система — это модель вычислений, играющая особо важную роль для создания алгоритмов поиска и для моделирования решения задач человеком. Продукционная система обеспечивает управление процессом решения задачи по образцу и состоит из набора продукционных правил, рабочей памяти и цикла управления "распознавание-действие".

Продукционную систему можно определить на основе следующих категорий.

1. Набор продукционных правил. Их часто просто называют продукциями. Продукция — это пара "условие-действие", которая определяет одну порцию знаний, необходимых для решения задачи. Условная часть правила — это образец (шаблон), который определяет, когда это правило может быть применено для решения какого-либо этапа задачи. Часть действия определяет соответст­вующий шаг в решении задачи.

2. Рабочая память содержит описание текущего состояния ми­ра в процессе рассуждений. Это описание является образцом, который сопостав­ляется с условной частью продукции с целью выбора соответствующих действий при решении задачи. Если условие некоторого правила соответствует содержи­мому рабочей памяти, то может выполняться действие, связанное с этим услови­ем. Действия продукционных правил предназначены для изменения содержания рабочей памяти.

3. Цикл "распознавание-действие". Управляющая структура продукционной систе­мы проста: рабочая память инициализируется начальным описанием задачи. Текущее состояние решения задачи представляется набором образцов в рабочей памяти. Эти образцы сопоставляются с условиями продукционных правил; что порождает подмножество правил вывода, называемое конфликтным множест­вом. Условия этих правил согласованы с образцами в рабочей памя­ти. Продукции, содержащиеся в конфликтном множестве, называют допусти­мыми. Выбирается и активизируется одна из продукций конфликтного множест­ва (разрешение конфликта). Активизация правила означает выполнение его действия. При этом изменяется содержание рабочей памяти. После того как вы­бранное правило сработало, цикл управления повторяется для модифицирован­ной рабочей памяти. Процесс заканчивается, если содержимое рабочей памяти не соответствует никаким условиям.

13. Модели представления знаний; семантическая сеть

Понятие семантической сети основано на древней и очень простой идее о том, что «память» формируется через ассоциации между понятиями.

Базовыми функциональными элементами семантической сети служит структура из двух компонентов – узлов и связывающих их дуг. Таким образом, семантической сетью называется ориентированный граф с конечными вершинами. Каждый его узел представляет собой некоторое понятие, а дуга – отношение между парой понятий. Можно считать, что каждая из таких пар отношений представляет простой факт. Узлы в семантической сети соответствуют объектам, понятиям или событиям. Они обладают определенной маркировкой, позволяющий идентифицировать этот узел.

Основной принцип семантической сети: знания, которые семантически связаны между собой (связаны по смыслу) должны храниться рядом. В семантической сети имеется два типа дуг:

1. является (is)

2. имеет частью (has part)

Дуги обладают свойством транзитивности – устанавливают отношения иерархии наследования в сети (элементы низкого уровня наследуют свойства высокого)

В качестве простого примера семантической сети рассмотрим предположения:

«Студент Иванов является мужчиной»; «Мужчина является человеком»

Студент Иванов мужчиной человеком.

14. Модели представления знаний; фреймы

Фрейм – это агрегат, который представляет наиболее полное формирование описания понятия, это разновидность семантических сетей, только вместо вершин выступают фреймы

Фреймы имеют способность наследовать значения характеристик своих «родителей», находящихся на более высоком уровне иерархий.

Два типа фреймов:1 фреймы – прототипы – хранятся в базе знаний 2. фреймы – экземпляры – представляют собой запрос пользователя к системе. Достоинства: Фреймы одна из наиболее используемых моделей знаний, используется любой язык программирования. Недостатки: относительна высокая сложность, что проявляется в снижении скорости работы механизма вывода.

15. Модели представления знаний; формальные логические модели

Формальные логические модели, основанные на классическом исчислении предикатов 1-гопорядка, когда предметная область или задача описываются в виде набора аксиом. Чаще всего эти логические модели строятся при помощи декларативных языков логического программирования, наиболее известным представителем которых является язык Пролог (Prolog). В настоящее время Пролог, несмотря на неоднократные пессимистические прогнозы, продолжает развиваться в разных странах и вбирает в себя новые технологии и концепции, а также парадигмы императивного программирования. Базовым принципом языка является равнозначность представления программы и данных (декларативность), отчего утверждения языка одновременно являются и записями, подобными записям в базах данных, и правилами, несущими в себе способы их обработки. Сочетание этих качеств приводит к тому, что по мере работы системы Пролога знания (и данные, и правила) накапливаются. Поэтому Пролог-системы считают естественной средой для накопления базы знаний

16. Предметные области для экспертных систем

В нашей стране современное состояние разработок в области экспертных систем можно охарактеризовать как стадию всевозрастающего интереса среди широких слоев экономистов, финансистов, преподавателей, инженеров, медиков, психологов, программистов, лингвистов. К сожалению, этот интерес имеет пока достаточно слабое материальное подкрепление - явная нехватка учебников и специальной литературы, отсутствие символьных процессоров и рабочих станций искусственного интеллекта, ограниченное финансирование исследований в этой области, слабый отечественный рынок программных продуктов для разработки экспертных систем.

Поэтому распространяются "подделки" под экспертные системы в виде многочисленных диалоговых систем и интерактивных пакетов прикладных программ, которые дискредитируют в глазах пользователей это чрезвычайно перспективное направление. Процесс создания экспертной системы требует участия высококвалифицированных специалистов в области искусственного интеллекта, которых пока выпускает небольшое количество высших учебных заведений страны.

Современные экспертные системы широко используются для тиражирования опытам знаний ведущих специалистов практически во всех сферах экономики. Традиционно знания существуют в двух видах - коллективный опыт и личный опыт.

Если большая часть знаний в предметной области представлена в виде коллективного опыта (например, высшая математика), эта предметная область не нуждается в экспертных системах.

Если в предметной области большая часть знаний является личным опытом специалистов высокого уровня (экспертов), если эти знания по каким-либо причинам слабо структурированы, такая предметная область скорее всего нуждается в экспертной системе.

17. Экспертная система, основные понятия

Экспертные системы – это направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области.

Как правило, экспертные системы создаются для решения практических задач в некоторых узкоспециализированных областях, где большую роль играют знания специалистов. Экспертные системы были первыми разработками, которые смогли привлечь большое внимание к результатам исследований в области искусственного интеллекта.

Экспертные системы имеют одно большое отличие от других систем искусственного интеллекта: они не предназначены для решения каких-то универсальных задач, экспертные системы предназначены для качественного решения задач в определенной разработчиками области, в редких случаях – областях.

Экспертное знание – это сочетание теоретического понимания проблемы и практических навыков ее решения, эффективность которых доказана в результате практической деятельности экспертов в данной области. Фундаментом экспертной системы любого типа является база знаний, которая составляется на основе экспертных знаний специалистов. Правильно выбранный эксперт и удачная формализация его знаний позволяет наделить экспертную систему уникальными и ценными знаниями. Поэтому ценность всей экспертной системы как законченного продукта на 90% определяется качеством созданной базы знаний.

Экспертная система – является плодом совместной работы экспертов в данной предметной области, инженеров по знаниям и программистов.

Но стоит отметить, что встречаются случаи, когда программы пишутся самими экспертами в данной области.

Эксперт предоставляет необходимые знания о тщательно отобранных примерах проблем и путей их решения. Например, при создании экспертной системы диагностики заболеваний врач рассказывает инженеру по знаниям об известных ему заболеваниях. Далее эксперт раскрывает список симптомов, которые сопровождают каждое заболевание и в заключение рассказывает об известных ему методах лечения. Инженер по знаниям, формализует всю полученную информацию в виде базы знаний и помогает программисту в написании экспертной системы.

18. Обобщенная структура экспертной системы

Экспертные системы (ЭС) - это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях н тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей.

Обобщенная структура экспертной системы представлена на рис. 16.5. Следует учесть, что реальные экспертные системы могут иметь более сложную структуру, однако блоки, изображенные на рисунке, непременно присутствуют в любой действительно экспертной системе, поскольку являют собой негласный канон на структуру современной экспертной системы.

Определим основные термины в рамках данного модуля.

19. Экспертная система, основные функции ее разработчиков

В создании ЭС участвуют представители следующих специальностей.

1) Эксперт -профессионал в данной ППО, который с помощью инженера по знаниям осуществляет наполнение БЗ и контролирует правильность введения знаний в систему.

2) Инженер по знаниям (инженер знаний,аналитик, инженер-интерпретатор, когнитолог) -специалист в области проектирования и создания интеллектуальных систем, знающий ППО и являющийся буфером между экспертом и БЗ. Выполняет следующие основные функции:

· возглавляет и выполняет работы по проектированию и созданию ЭС, если она разрабатывается заново;

· устанавливает связи с экспертами и отвечает за извлечение, формализацию и структурирование знаний, вводимых в БЗ;

· совместно с программистом определяет способы (модели) представления знаний в БЗ, а также языки программирования и среду функционирования ЭС;

· отвечает за наполнение БЗ и поддержание ЭС в рабочем состоянии.

3) Программист определяет (выбирает) способы (модели) представления знаний в БЗ, языки программирования и среду функционирования ЭС. В настоящее время существуют сотни различных средств программирования и представления знаний. Выбор наиболее эффективных из них для данной ЭС является весьма трудоемкой задачей, которая и возлагается на программиста. От его профессиональных способностей во многом зависит работоспособность и эффективность создаваемой ЭС.

Программист выполняет следующие функции:

· определяет (выбирает) языки программирования и способы представления знаний в БЗ;

· осуществляет выбор инструментальных средств, которые наиболее подходят для разработки ЭС;

· осуществляет сопряжение ЭС с вычислительной средой, в которой она будет работать;

· определяет и программирует стандартные функции, которые будут выполняться программно-аппаратными устройствами системы и др.

Таким образом, программист играет вспомогательную роль в создании ЭС, поскольку он разрабатывает (выбирает) лишь отдельные части системногое программного обеспечения. В то же время в традиционных системах обработки данных программист является ключевой фигурой в разработке как системного, так и прикладного (пользовательского) программного обеспечения.

В основном цикле разработки ЭС могут участвовать несколько экспертов, инженеров по знаниям и программистов. Главный инженер по знаниям может привлекать других экспертов для того, чтобы убедиться:

· в правильности своего понимания основного эксперта;

· в совпадении взглядов различных экспертов относительно качества предлагаемых решений по созданию ЭС;

· в полноценности тестов, демонстрирующих особенности создаваемой ЭС и др.

20. Классификация экспертных систем по типу решаемых задач

Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается определение смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.

Диагностика. Под диагностикой понимается обнаружение неисправности в некоторой системе. Неисправность - это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является необходимость понимания функциональной структуры ("анатомии") диагностирующей системы.

Мониторинг. Основная задача мониторинга - непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы - "пропуск" тревожной ситуации и инверсная задача "ложного" срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учета временного контекста.

Проектирование. Проектирование состоит в подготовке спецификаций на создание "объектов" с заранее определенными свойствами. Под спецификацией понимается весь набор необходимых документов чертеж, пояснительная записка и т.д. Основные проблемы здесь - получение четкого структурного описания знаний об объекте и проблема "следа". Для организации эффективного проектирования и, в еще большей степени, перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.

Прогнозирование. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров "подгоняются" под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. Втаких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

Обучение. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом "ученике" и его характерных ошибках, затем в работе способны диагностировать слабости в знаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

21. Классификация экспертных систем по типу ЭВМ

На сегодняшний день существуют:

· ЭС для уникальных стратегически важных задач на суперЭВМ (Эльбрус, CRA'.CONVEX и др.);

· ЭС на ЭВМ средней производительности (типа ЕС ЭВМ, mainframe);

· ЭС на символьных процессорах и рабочих станциях (SUN, APOLLO);

· ЭС на мини- и супермини-ЭВМ (VAX, micro-VAX и др.);

· ЭС на персональных компьютерах (IBM PC, MAC II и подобные).

22. Классификация экспертных систем по связи с реальным временем

Статические ЭС разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени. Они стабильны.
Пример Диагностика неисправностей в автомобиле.

Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.

Пример. Микробиологические ЭС, в которых снимаются лабораторные измерения с технологического процесса один раз в 4 - 5 (производство лизина, например) и анализируется динамика полученных показателей по отношению к предыдущему измерению.

Динамические ЭС работают в сопряжении с датчиками объектов в режиме реального времени с непрерывной интерпретацией поступаемых данных.

Управление гибкими производственными комплексами, мониторинга реанимационных палатах и т.д. Пример инструментария для разработки динамических систем - G2..

23. Классификация экспертных систем по степени интеграции с другими программами

Автономные ЭС работают непосредственно в режиме консультаций с пользователем для специфически "экспертных" задач, для решения которых не требуется привлекать традиционные методы обработки данных (расчеты, моделирование и т. д.).

Гибридные ЭС представляют программный комплекс, агрегирующий стандартные пакеты прикладных программ (например, математическую статистику, линейное программирование или системы управления базами данных) и средства манипулирования знаниями. Это может быть интеллектуальная надстройка над ППП или интегрированная среда для решения сложной задачи с элементами экспертных знаний.

Несмотря на внешнюю привлекательность гибридного подхода, следует отметить, что разработка таких систем являет собой задачу, на порядок более сложную, чем разработка автономной ЭС. Стыковка не просто разных пакетов, а разных методологий (что происходит в гибридных системах) порождает целый комплекс теоретических и практических трудностей.

24. Инструментальные средства построения экспертных систем, традиционные языки программирования

В эту группу инструментальных средств входят традиционные языки программирования (С, C++, Basic, SmallTalk, Fortran и т.д.), ориентированные в основном на численные алгоритмы и слабо подходящие для работы с символьными и логическими данными. Поэтому создание систем искусственного интеллекта на основе этих языков требует большой работы программистов. Однако большим достоинством этих языков является высокая эффективность, связанная с их близостью к традиционной машинной архитектуре. Кроме того, использование традиционных языков программирования позволяет включать интеллектуальные подсистемы (например, интегрированные экспертные системы) в крупные программные комплексы общего назначения. Среди традиционных языков наиболее удобными считаются объектно-ориентированные (SmallTalk, C++). Это связано с тем, что парадигма объектно-ориентированного программирования тесно связана с фреймовой моделью представления знаний. Кроме того, традиционные языки программирования используются для создания других классов инструментальных средств искусственного интеллекта.

25. Инструментальные средства построения экспертных систем, языки искусственного интеллекта

Это прежде всего Лисп (LISP) и Пролог (Prolog) [8] – наиболее распространенные языки, предназначенные для решения задач искусственного интеллекта. Есть и менее распространенные языки искусственного интеллекта, например РЕФАЛ, разработанный в России. Универсальность этих языков меньшая, нежели традиционных языков, но ее потерю языки искусственного интеллекта компенсируют богатыми возможностями по работе с символьными и логическими данными, что крайне важно для задач искусственного интеллекта. На основе языков искусственного интеллекта создаются специализированные компьютеры (например, Лисп-машины), предназначенные для решения задач искусственного интеллекта. Недостаток этих языков – неприменимость для создания гибридных экспертных систем.

26. Инструментальные средства построения экспертных систем, специальный программный инструментарий

В эту группу программных средств искусственного интеллекта входят специальные инструментарии общего назначения. Как правило, это библиотеки и надстройки над языком искусственного интеллекта Лисп: KEE (KnowledgeEngineeringEnvironment), FRL (FrameRepresentationLanguage), KRL (KnowledgeRepresantationLanguage), ARTS и др. [1,4,7,8,10], позволяющие пользователям работать с заготовками экспертных систем на более высоком уровне, нежели это возможно в обычных языках искусственного интеллекта.

27. Инструментальные средства построения экспертных систем, “оболочки”

Под "оболочками: (shells) понимают "пустые" версии существующих экспертных систем, т.е. готовые экспертные системы без базы знаний. Примером такой оболочки может служить EMYCIN (Empty MYCIN - пустой MYC1N) [8], которая представляет собой незаполненную экспертную систему MYCIN. Достоинство оболочек в том, что они вообще не требуют работы программистов для создания готовой экспертной системы. Требуется только специалисты) в предметной области для заполнения базы знаний. Однако если некоторая предметная область плохо укладывается в модель, используемую в некоторой оболочке, заполнить базу знаний в этом случае весьма не просто.

28. Технология разработки экспертных систем, этапы разработки

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.

На этапе идентификации определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей.

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.

29. Технология разработки экспертных систем, выбор проблемы

Этот этап включает деятельность, предшествующую решению начать разрабатывать конкретную ЭС. Он включает:

- определение проблемной области и задачи;

- нахождение эксперта, желающего сотрудничать при решении проблемы, и назначение коллектива разработчиков;

- определение предварительного подхода к решению проблемы;

- анализ расходов и прибыли от разработки;

- подготовку подробного плана разработки.

Правильный выбор проблемы представляет, наверное, самую критическую часть разработки в целом. Если выбрать неподходящую проблему, можно очень быстро увязнуть в "болоте" проектирования задач, которые никто не знает, как решать. Неподходящая проблема может также привести к созданию экспертной системы, которая стоит намного больше, чем экономит. Дело будет обстоять еще хуже, если разработать систему, которая работает, но не приемлема для пользователей. Даже если разработка выполняется самой организацией для собственных целей, эта фаза является подходящим моментом для получения рекомендаций извне, чтобы гарантировать удачно выбранный и осуществимый с технической точки зрения первоначальный проект.

При выборе области применения следует учитывать, что если знание, необходимое для решения задач, постоянное, четко формулируемое, и связано с вычислительной обработкой, то обычные алгоритмические программы, по всей вероятности, будут самым целесообразным способом решения проблем в этой области,

Экспертная система ни в коем случае не устранит потребность в реляционных базах данных, статистическом программном обеспечении, электронных таблицах и системах текстовой обработки. Но если результативность задачи зависит от знания, которое является субъективным, изменяющимся, символьным или вытекающим частично из соображений здравого смысла, тогда область может обоснованно выступать претендентом на экспертную систему.

Приведем некоторые факты, свидетельствующие о необходимости разработки и внедрения экспертных систем:

- нехватка специалистов, расходующих значительное время для оказания помощи другим;

- потребность в многочисленном коллективе специалистов, поскольку ни один из них не обладает достаточным знанием;

- сниженная производительность, поскольку задача требует полного анализа - сложное набора условий, а обычный специалист не в состоянии просмотреть (за отведенное время) все эти условия;

- большое расхождение между решениями самых хороших и самых плохих исполнителей;

- наличие конкурентов, имеющих преимущество в том, что они лучше справляются с поставленной задачей.

30. Технология разработки экспертных систем, понятие прототипной системы

Прототипная система является усечённой версией экспертной системы, спроектированной для проверки правильности кодирования фактов, связей и стратегий рассуждения эксперта. Она также даёт возможность инженеру по знаниям привлечь эксперта к активному участию в разработке экспертной системы и, следовательно, к принятию им обязательства приложить все усилия для создания системы в полном объёме.

Объём прототипа - несколько десятков правил, фреймов или примеров. Выделяют шесть стадий разработки прототипа. Рассмотрим краткую характеристику каждой из стадий.

Сроки приведены условно, так как зависят от квалификации специалистов и особенностей задачи.

Дата добавления: 2015-07-20