Способы построения баз экспертных знаний

Задача построения баз экспертных знаний характерна для определённого типа проблем. Для этих проблем не существует надёжных и хорошо проверенных количественных моделей, позволяющих связать вход и выход, конкретную ситуацию и результат. Для них характерны неопределённость, описание ситуаций на качественном (а не количественном) языке, недостаточная определённость последствий решений, принимаемых экспертом. Мы можем найти многочисленные примеры подобных проблем - медицинская диагностика, техническая диагностика, обследование организаций и т. д.

Именно при решении слабоструктурированных проблем человеческая интуиция имеет особую ценность. Догадки эксперта, основанные на его прошлом опыте, на неявных знаниях, на «чутье», позволяют ему решать проблемы на удивительно хорошем уровне. А раз это так, то возникает заманчивая цель передать это умение ЭВМ, запечатлеть это умение в базе знаний. Ясно, сколь сложна эта задача.

Во-первых, объём знаний эксперта о предметной области может быть очень велик. Во-вторых, возникают трудности, связанные со способом получения знаний. Эксперт знает многое, но это знание конкретно, оно основано на прошлом опыте, на совокупности практических случаев. В то же время в базе знаний должно быть заложено «умение анализа», которое далеко не однозначно вытекает из практических случаев. В-третьих, для построения базы знаний необходимо иметь какую-то структуру знаний. Например, для задач диагностики желательно иметь полную совокупность диагностических признаков. Конечно есть случаи, когда такая совокупность известна. Но есть немалое число случаев, когда эксперт указывает лишь часть таких признаков. Есть случаи, когда общее впечатление от конкретной ситуации - целостный образ (гештальт) - трудно отобразить с помощью признаков. Заметим сразу, что представление гештальта с помощью диагностических признаков всегда обедняет его. Отсюда вытекает известный факт; эксперт знает больше, чем осознает. Иначе говоря, способность эксперта представить свои знания в виде чётких правил всегда ограничена. В-четвертых, поведение эксперта во многом определяется особенностями человеческой системы переработки информации. Нельзя рассматривать эксперта как непогрешимый источник информации. Люди, даже самые опытные, совершают ошибки в своих действиях. Кроме того, в сложных ситуациях люди стремятся внести упрощения в решаемую проблему; они используют эвристики, упрощают задачу и т. д. Следовательно, при построении баз знаний необходимо чётко осознать особенности источника знаний - эксперта.

Существующие способы построения базы знаний (БЗ) предназначены в основном для тех проблем, где структура проблемы (набор признаков и перечень диагностических решений) считается известной. Какими же способами в настоящее время осуществляется построение баз знаний?

1. Эксперт сам указывает цепочки своих логических рассуждений, ведущих от причин к следствиям. Достоинством этого способа является то, что эксперт дает свои знания в виде цепочки причинно-следственных связей типа: «если..., то...» (продукции), которые легко «усваиваются» ЭВМ. На базе таких продукций легко строить блок объяснений.

Имеются два существенных недостатка этого способа. Прежде всего в любой реальной задаче количество продукции, необходимое для построения полной БЗ, очень велико. Ясно, что эксперт не может «перечислить»их все за разумное время, необходимое для построения экспертной системы. Во-вторых, эксперт «знает больше, чем может сказать». Иначе говоря, в данном случае мы заставляем эксперта решать непривычную для него задачу - задачу синтеза своих знаний, в то время как в своей практической деятельности эксперт обычно решает задачу анализа конкретных ситуаций.

2. Эксперт определяет вероятности влияния отдельных признаков на принадлежность ситуаций к конкретным состояниям. Так, например, врач-эксперт указывает, с какой вероятностью то или иное значение диагностического признака соответствует тому или иному заболеванию. Ясно, что при данном подходе трудоёмкость построения БЗ резко снижается. Мы можем, например, охватывать большое число признаков и большое число болезней, так как каждая пара «признак-болезнь» рассматривается отдельно. Но этот способ имеет ряд очень существенных недостатков.

Прежде всего, люди плохо назначают вероятностные оценки - эта задача крайне сложна для человеческой системы переработки информации, о чем убедительно свидетельствуют многочисленные психологические эксперименты.

Кроме того, в реальных ситуациях именно сочетания признаков определяют, обладает ли то или иное состояние некоторым свойством (например, наличие определенной болезни у больного). Те же самые признаки, взятые по отдельности, мало что говорят. При таком представлении у эксперта исчезает целостная картина ситуации, а только она позволяет ему в полной мере использовать свою интуицию. И, наконец, правила агрегации отдельных вероятностных оценок крайне примитивны. Обычно используется сумма вероятностей оценок, взятие максимума или минимума из вероятностей. Это правило не задаётся экспертом, никак им не проверяется, а определяется программистом-конструктором БЗ просто на основании удобства.

Вот почему экспертные системы, содержащие БЗ, построенные таким способом, столь широки по охвату классов решений (например, в системе ИНТЕРНИСТ есть 500 болезней и 6000 признаков) и столь примитивны по результатам своей работы.

3. Третьим предлагаемым способом построения БЗ является построение «на примерах», когда в БЗ вводятся описания реальных ситуаций с точной их диагностикой. Приятно отметить, что в данном случае используются впрямую результаты деятельности эксперта по анализу ситуаций. Однако ясно, что при таком подходе количество примеров должно быть громадным для любой практической задачи. Кроме того, эти случаи должны быть «разнообразны» - они должны включать различные сочетания диагностических признаков. Все эти случаи должны быть диагностированы тем экспертом, чью БЗ мы хотим построить. Все это в совокупности делает этот подход мало реалистичным.

Как видно из выше сказанного, процесс приобретения знаний имеет итеративный характер по причине недостаточного уровня его автоматизации. Более радикальным решением проблемы приобретения знаний было бы создание программной системы, способной путём индуктивного вывода из тех же источников, что и эксперт, т.е. из прошлого опыта и специальной литературы, автоматически наполнять базу знаний. Однако хотя первые подобные программы и существуют, тем не менее решение задачи индуктивного вывода для общего случая автоматического формирования баз знаний даже теоретически пока не найдено. Следует ожидать, что по мере накопления практического опыта формализации знаний станет возможным создание программных систем, базирующихся на правдоподобном выводе и способных автоматизировать процесс первоначального (для последующей корректировки экспертом) наполнения БЗ.

Как было отмечено выше, БЗ является ключевым элементом ЭС и многих систем поддержки принятия решений. Чтобы эти системы достигли высокого уровня совершенства, БЗ должны удовлетворять совокупности критериев (требований):

1) БЗ должна быть обоснованной: она должна быть построена на основе знаний высококвалифицированного эксперта;

2) БЗ должна быть полной: она должна содержать ответы на все возможные вопросы в предварительно очерченной и структурированной предметной области;

3) БЗ должна быть непротиворечивой: она должна содержать непротиворечивые ответы на любые заданные вопросы;

4) БЗ должна быть построена надёжным образом. Во-первых, в ходе её построения должны использоваться лишь вопросы к экспертам, допустимые с точки зрения человеческой системы переработки информации. Во-вторых, любые ответы экспертов должны проверяться на непротиворечивость. В-третьих, вопросы к экспертам должны быть имитацией обычной работы, выполняемой экспертами в сфере их профессиональной деятельности.

В заключение отметим также, что системы, имитирующие человеческие умения, не являются универсальным средством решения всех проблем. Есть практические задачи, в которых, к сожалению, нет опытных экспертов. В других практических задачах есть эксперт, но нет большого числа пользователей, для которых бы имело смысл тратить время и усилия на создание такой системы. Существуют задачи, в которых люди уже научились строить адекватные математические модели, описывающие объект исследования, и искусство человека уступает перед строгим математическим анализом.

Но остается ещё немало проблем в человеческой практике, где лишь интуиция, опыт, умение эксперта позволяют найти верное решение. И возникающая технология построения систем, имитирующих человеческие умения, найдёт успешное применение при решении таких проблем.

Вопросы и задание для самоподготовки

1. Что понимается под искусственным интеллектом?

2. История развития систем искусственного интеллекта.

3. Какие проблемы решаются в системах искусственного интеллекта?

4. Что понимается под экспертной системой (ЭС)?

5. В чём состоит отличие ЭС от автоматизированных систем управления, информационно-поисковых систем?

6. Назовите основные подсистемы, входящие в состав ЭС, и определите их функциональное назначение.

7. Какие существуют способы построения баз экспертных знаний?

8. Назовите основные критерии, которым должна удовлетворять база знаний ЭС.

9. Что понимается под знаниями?

10. Какие модели представления знаний Вы знаете? Опишите каждую из них.

11. Перечислите главные особенности машинного представления данных.