Главная | Обратная связь
МегаЛекции

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА




С развитием компьютерных технологий менялся смысл, вкладываемый в понятие информационной системы. Современная информационная система — это набор информационных технологий, направленных на поддержку жизненного цикла информации и включающего три основные процесса: обработку данных, управление информацией и управление знаниями. В условиях резкого увеличения объемов информации переход к работе со знаниями на основе искусственного интеллекта является, по всей вероятности, единственной альтернативой информационного общества.

Воспользуемся определением «интеллектуальной системы» проф. Д.А. Поспелова [38]: «Система называется интеллектуальной, если в ней реализованы следующие основные функции:

• накапливать знания об окружающем систему мире, классифицировать и оценивать их с точки зрения прагматической полезности и непротиворечивости, инициировать процессы получения новых знаний, осуществлять соотнесение новых знаний с ранее хранимыми;

• пополнять поступившие знания с помощью логического вывода, отражающего закономерности в окружающем систему мире или в накопленных ею ранее знаниях, получать обобщенные знания на основе более частных знаний и логически планировать свою деятельность;

• общаться с человеком на языке, максимально приближенном к естественному человеческому языку, и получать информацию от каналов, аналогичных тем, которые использует человек при восприятии окружающего мира, уметь формировать для себя или по просьбе человека (пользователя) объяснение собственной деятельности, оказывать пользователю помощь за счет тех знаний, которые хранятся в памяти, и тех логических средств рассуждений, которые присущи системе».

Перечисленные функции можно назвать функциями представления и обработки знаний, рассуждения и общения. Наряду с обязательными компонентами, в зависимости от решаемых задач и области применения в конкретной системе эти функции могут быть реализованы в различной степени, что определяет индивидуальность архитектуры. На рис. 5.19 в наиболее общем виде представлена структура интеллектуальной системы в виде совокупности блоков и связей между ними [51].

База знаний представляет собой совокупность сред, хранящих знания различных типов. Рассмотрим кратко их назначение.

База фактов (данных) хранит конкретные данные, а база правил — элементарные выражения, называемые в теории искусственного интеллекта продукциями. База процедур содержит прикладные программы, с помощью которых выполняются все необходимые преобразования и вычисления. База закономерностей включает различные сведения, относящиеся к особенностям той среды, в которой действует система. База метазнаний (база знаний о себе) содержит описание самой системы и способов ее функционирования: сведения о том, как внутри системы представляются единицы информации различного типа, как взаимодействуют различные компоненты системы, как было получено решение задачи.

База целей содержит целевые структуры, называемые сценариями, позволяющие организовать процессы движения от исходных фактов, правил, процедур к достижению той цели, которая поступила в систему от пользователя, либо была сформулирована самой системой в процессе ее деятельности в проблемной среде.

Управление всеми базами, входящими в базу знаний, и организацию их взаимодействия осуществляет система управления базами знаний. С ее же помощью реализуются связи баз знаний с внешней средой. Таким образом, машина базы знаний осуществляет первую функцию интеллектуальной системы.

Выполнение второй функции обеспечивает часть интеллектуальной системы, называемая решателем и состоящая из ряда блоков, управляемых системой управления решателя. Часть из блоков реализует логический вывод. Блок дедуктивного вывода осуществляет в решателе дедуктивные рассуждения, с помощью которых из закономерностей из базы знаний, фактов из базы фактов и правил из базы правил выводятся новые факты. Кроме этого данный блок реализует эвристические процедуры поиска решений задач, как поиск путей решения задачи по сценариям при заданной конечной цели. Для реализации рассуждений, которые не носят дедуктивного характера, т.е. для поиска по аналогии, по прецеденту и пр., используются блоки индуктивного и правдоподобного выводов. Блок планирования используется в задачах планирования решений совместно с блоком дедуктивного вывода. Назначение блока функциональных преобразований состоит в решении задач расчетно-логического и алгоритмического типов.

Третья функция — функция общения — реализуется как с помощью компоненты естественно-языкового интерфейса, так и с помощью рецепторов и эффекторов, которые осуществляют так называемое невербальное общение и используются в интеллектуальных роботах.

В зависимости от набора компонентов, реализующих рассмотренные функции, можно выделить следующие основные разновидности интеллектуальных систем:

• интеллектуальные информационно-поисковые системы;

• экспертные системы (ЭС);

• расчетно-логические системы;

• гибридные экспертные системы.

Интеллектуальные информационно-поисковые системы являются системами взаимодействия с проблемно-ориентированными (фактографическими) базами данных на естественном, точнее ограниченном как грамматически, так и лексически (профессиональной лексикой) естественном языке (языке деловой прозы). Для них характерно использование, помимо базы знаний, реализующей семантическую модель представления знаний о проблемной области, лингвистического процессора.

Экспертные системы являются одним из бурно развивающихся классов интеллектуальных систем. Данные системы в первую очередь стали развиваться в математически слабоформализованных областях науки и техники, таких как медицина, геология, биология и др. Для них характерна аккумуляция в системе знаний и правил рассуждений опытных специалистов в данной предметной области, а также наличие специальной системы объяснений.

Расчетно-логические системы позволяют решать управленческие и проектные задачи по их постановкам (описаниям) и исходным данным вне зависимости от сложности математических моделей этих задач. При этом конечному пользователю предоставляется возможность контролировать в режиме диалога все стадии вычислительного процесса. В общем случае, по описанию проблемы на языке предметной области обеспечивается автоматическое построение математической модели и автоматический синтез рабочих программ при формулировке функциональных задач из данной предметной области. Эти свойства реализуются благодаря наличию базы знаний в виде функциональной семантической сети и компонентов дедуктивного вывода и планирования.

В последнее время в специальный класс выделяются гибридные экспертные системы. Указанные системы должны вобрать в себя лучшие черты как экспертных, так и расчетно-логических и информационно-поисковых систем. Разработки в области гибридных экспертных систем находятся на начальном этапе.

Наиболее значительные успехи в настоящее время достигнуты в таком классе интеллектуальных систем, как экспертные системы (ЭС).

ЭС называют вычислительную систему использования знаний эксперта и процедур логического вывода для решения проблем, которые требуют проведения экспертизы и позволяют дать объяснение полученным результатам.

ЭС обладает способностями к накоплению знаний, выдаче рекомендаций и объяснению полученных результатов, возможностями модификации правил, подсказки пропущенных экспертом условий, управления целью или данными. ЭС отличают следующие характеристики: интеллектуальность, простота общения с компьютером, возможность наращивания модулей, интеграция неоднородных данных, способность разрешения многокритериальных задач при учете предпочтений лиц, принимающих решения (ЛПР), работа в реальном времени, документальность, конфиденциальность, унифицированная форма знаний, независимость механизма логического вывода, способность объяснения результатов.

В настоящее время можно выделить следующие основные сферы применения ЭС: диагностика, планирование, имитационное моделирование, предпроектное обследование предприятий, офисная деятельность, а также некоторые другие.

Практика показывает, что по сравнению со статическими ЭС гораздо больший эффект дают ЭС, используемые в динамических процессах (экспертные системы реального времени — ЭСРВ), которые занимают около 70% рынка таких систем и находят все более широкое применение в управлении непрерывными процессами (химические производства, цементная промышленность, атомная энергетика и т.д.).

По сравнению с общей схемой (см. рис. 5.19) в ЭС часто отсутствует возможность общения с системой на близком к естественному языке или с использованием визуальных средств, поскольку взаимодействие с такой системой осуществляется с использованием языка типа ПРОЛОГ или с применением ПРОЛОГ-идей.

Важное место в теории искусственного интеллекта (ИИ) занимает проблема представления знаний. В настоящее время выделяют следующие основные типы моделей представления знаний:

1. Семантические сети, в том числе функциональные;

2. Фреймы и сети фреймов;

3. Продукционные модели.

Семантические сети определяют как граф общего вида, в котором можно выделить множество вершин и ребер. Каждая вершина графа представляет некоторое понятие, а дуга — отношение между парой понятий. Метка и направление дуги конкретизируют семантику. Метки вершин семантической нагрузки не несут, а используются как справочная информация.

Различные разновидности семантических сетей обладают различной семантической мощностью, следовательно, можно описать одну и ту же предметную область более компактно или громоздко.

Фреймом называют структуру данных для представления и описания стереотипных объектов, событий или ситуаций. Фреймовая модель представления знаний состоит из двух частей:

• набора фреймов, составляющих библиотеку внутри представляемых знаний;

• механизмов их преобразования, связывания и т.д. Существует два типа фреймов:

• образец (прототип) — интенсиональное описание некоторого множества экземпляров;

• экземпляр (пример) — экстенсиональное представление фрейм-образца.

В общем виде фрейм может быть представлен следующим кортежем:

<ИФ, (ИС, ЗС, ПП), ..., (ИС, ЗС, ПП)>,

где ИФ — имя фрейма; ИС — имя слота; ЗС — значение слота; ПП — имя присоединенной процедуры (необязательный параметр).

Слоты — это некоторые незаполненные подструктуры фрейма, заполнение которых приводит к тому, что данный фрейм ставится в соответствие некоторой ситуации, явлению или объекту.

В качестве данных фрейм может содержать обращения к процедурам (так называемые присоединенные процедуры). Выделяют два вида процедур: процедуры-демоны и процедуры-слуги. Процедуры-демоны активизируются при каждой попытке добавления или удаления данных из слота. Процедуры-слуги активизируются только при выполнении условий, определенных пользователем при создании фрейма.

Продукционные модели — это набор правил вида «условия — действие», где условиями являются утверждения о содержимом базы данных, а действия представляют собой процедуры, которые могут изменять содержимое базы данных.

Формально продукция определяется следующим образом:

(0; Q; Р; С; А -> В; N,

где (0 — имя продукции (правила); Q — сфера применения правила; Р — предусловие (например, приоритетность); С—предикат (отношение); А -> В — ядро; N — постусловия (изменения, вносимые в систему правил).

Практически продукции строятся по схеме «ЕСЛИ» (причина или иначе посылка), «ТО» (следствие или иначе цель правила).

Полученные в результате срабатывания продукций новые знания могут использоваться в следующих целях:

• понимание и интерпретация фактов и правил с использованием продукций, фреймов, семантических цепей;

• решение задач с помощью моделирования;

• идентификация источника данных, причин несовпадений новых знаний со старыми, получение метазнаний;

• составление вопросов к системе;

• усвоение новых знаний, устранение противоречий, систематизация избыточных данных.

Процесс рассмотрения компьютером набора правил (выполнение программы) называют консультацией. Ее наиболее удобная для пользователя форма — дружественный диалог с компьютером. Интерфейс может быть в форме меню, на языке команд и на естественном языке.

Диалог может быть построен на системе вопросов, задаваемых пользователем, компьютером, или фактов — данных, хранящихся в базе данных. Возможен смешанный вариант, когда в базе данных недостаточно фактов.

При прямом поиске пользователь может задавать две группы вопросов, на которые, компьютер дает объяснения:

1) КАК получено решение. При этом компьютер должен выдать на экран трассу в виде ссылок на использованные правила;

2) ПОЧЕМУ компьютер задал какой-то вопрос. При этом на экран выдается своеобразная трасса, которую компьютер хотел бы использовать для вывода после получения ответа на задаваемый вопрос. Вопрос ПОЧЕМУ может быть задан как в процессе консультации, так и после выполнения программы.

Специфичен алгоритм поиска, реализуемый логическими языками: он является фактически последовательным перебором по дереву сверху-вниз-слева-направо.

Выделим следующие характеристики ЭС: назначение, проблемная область, глубина анализа проблемной области, тип используемых методов и знаний, класс системы, стадия существования, инструментальные средства.

Назначение определяется следующей совокупностью параметров: цель создания экспертной системы — для обучения специалистов, для решения задач, для автоматизации рутинных работ, для тиражирования знаний экспертов и т.п.; основной пользователь — не специалист в области экспертизы, специалист, учащийся.

Проблемная область может быть определена совокупностью параметров предметной области и задач, решаемых в ней. Каждый из параметров можно рассматривать как с точки зрения конечного пользователя, так и разработчика экспертной системы.

С точки зрения пользователя предметную область можно характеризовать ее описанием в терминах пользователя, включающим наименование области, перечень и взаимоотношения подобластей и т.п., а задачи, решаемые существующими экспертными системами, — их типом. Обычно выделяют следующие типы задач:

• интерпретация символов или сигналов — составление смыслового описания по входным данным;

• диагностика — определение неисправностей (заболеваний) по симптомам;

• предсказание — определение последствий наблюдаемых ситуаций;

• конструирование — разработка объекта с заданными свойствами при соблюдении установленных ограничений;

• планирование — определение последовательности действий, приводящих к желаемому состоянию объекта;

• слежение — наблюдение за изменяющимся состоянием объекта и сравнение его показателей с установленными или желаемыми;

• управление — воздействие на объект для достижения желаемого поведения.

С точки зрения разработчика целесообразно выделять статические и динамические предметные области. Предметная область называется статической, если описывающие ее исходные данные не изменяются во времени (точнее, рассматриваются как не изменяющиеся за время решения задачи). Статичность области означает неизменность описывающих ее исходных данных. При этом производные данные (выводимые из исходных) могут и появляться заново, и изменяться (не изменяя, однако, исходных данных). Если исходные данные, описывающие предметную область, изменяются за время решения задачи, то предметную область называют динамической. Кроме того, предметные области можно характеризовать следующими аспектами: числом и сложностью сущностей, их атрибутов и значений атрибутов; связностью сущностей и их атрибутов; полнотой знаний; точностью знаний (знания точны или правдоподобны: правдоподобность знаний представляется некоторым числом или высказыванием).

Решаемые задачи, с точки зрения разработчика экспертной системы, также можно разделить на статические и динамические. Будем говорить, что ЭС решает динамическую или статическую задачу, если процесс ее решения изменяет или не изменяет исходные данные о текущем состоянии предметной области.

В подавляющем большинстве существующие ЭС исходят из предположения о статичности предметной области и решают статические задачи. Будем называть такие ЭС статическими. ЭС, которые имеют дело с динамическими предметными областями и решают статические или динамические задачи, будем называть динамическими.

Решаемые задачи, кроме того, могут характеризоваться следующими аспектами: числом и сложностью правил, используемых в задаче, их связностью, пространством поиска, числом активных агентов, изменяющих предметную область, классом решаемых задач.

По степени сложности выделяют простые и сложные правила. К сложным относятся правила, текст записи которых на естественном языке занимает 1/3 страницы и больше. Правила, текст записи которых занимает менее 1/3 страницы, относят к простым.

Можно сказать, что степень сложности задачи определяется не просто общим числом правил данной задачи, а числом правил в ее наиболее связной независимой подзадаче.

Пространство поиска может быть определено по крайней мере тремя факторами: размером, глубиной и шириной. Размер пространства поиска дает обобщенную характеристику сложности задачи. Выделяют малые (до 3,6 • 106 состояний) и большие (свыше 3,6 • 10б состояний) пространства поиска. Глубина пространства поиска характеризуется средним числом последовательно применяемых правил, преобразующих исходные данные в конечный результат, ширина пространства — средним числом правил, пригодных к выполнению в текущем состоянии.

Класс задач определяет методы, используемые ЭС для их решения. Данный аспект в ЭС принимает следующие значения: задачи расширения, доопределения, преобразования. Задачи доопределения и расширения являются статическими, а задачи преобразования — динамическими.

К задачам расширения относятся такие, в процессе решения которых осуществляется только увеличение информации о предметной области, не приводящее ни к изменению ранее выведенных данных, ни к другой области задач.

К задачам доопределения относятся задачи с неполной или неточной информацией о реальной предметной области, цель решения которых — выбор из множества альтернативных текущих состояний предметной области того, которое адекватно исходным данным. В случае неточных данных альтернативные текущие состояния возникают как результат ненадежности данных и правил, что приводит к многообразию различных доступных выводов из одних и тех же исходных данных. В случае неполных данных альтернативные состояния являются результатом доопределения.

Большинство существующих ЭС решают задачи расширения, в которых нет ни изменений предметной области, ни активных агентов, преобразующих ее. Подобное ограничение неприемлемо при работе в динамических областях.

По степени сложности структуры ЭС делят на поверхностные и глубинные. Поверхностные ЭС представляют знания об области экспертизы в виде правил (условие—действие). Условие каждого правила определяет образец некоторой ситуации, при соблюдении которой правило может быть выполнено. Поиск решения состоит в выполнении тех правил, образцы которых сопоставляются с текущими данными (текущей ситуацией в РП). При этом предполагается, что в процессе поиска решения последовательность формируемых таким образом ситуаций не оборвется до получения решения, т.е. не возникнет неизвестной ситуации, которая не сопоставится ни с одним правилом. Глубинные ЭС, кроме возможностей поверхностных систем, обладают способностью при возникновении неизвестной ситуации определять с помощью некоторых общих принципов, справедливых для области экспертизы, какие действия следует выполнить.

По типу используемых методов и знаний ЭС делят на традиционные и гибридные. Традиционные ЭС используют в основном неформализованные методы инженерии знаний и неформализованные знания, полученные от экспертов. Гибридные ЭС используют методы инженерии знаний, формализованные методы, а также данные традиционного программирования и математики.

Совокупность рассматриваемых выше характеристик позволяет определить особенности конкретной ЭС. Однако пользователи зачастую стремятся охарактеризовать ЭС каким-либо одним обобщенным параметром. В этой связи говорят о поколениях ЭС. В настоящее время выделяют ЭС первого и второго поколений. Однако, по-видимому, следует говорить о трех поколениях ЭС. К первому поколению следует отнести статические поверхностные ЭС, ко второму — статические глубинные ЭС (иногда ко второму поколению относят гибридные ЭС), а к третьему — динамические ЭС (вероятно, они, как правило, будут глубинными и гибридными).

В последнее время выделяют два больших класса ЭС (существенно отличающихся по технологии их проектирования), которые мы условно называем простыми и сложными ЭС. К простым можно отнести поверхностную и традиционную (реже гибридную) ЭС, выполненные на персональной ЭВМ и содержащие от 200 до 1000 правил. К сложным ЭС относятся глубинная и гибридная ЭС, выполненные либо на символьной, либо на мощной универсальной ЭВМ, либо на интеллектуальной рабочей станции, содержащие от 1500 до 10 000 правил.

Стадия существования характеризует степень проработанности и отлаженности ЭС. Обычно выделяют следующие стадии: демонстрационный прототип, исследовательский прототип, действующий прототип, промышленная система, коммерческая система.

Демонстрационным прототипом называют ЭС, которая решает часть требуемых задач, демонстрируя жизнеспособность метода инженерии знаний. При наличии развитых интеллектуальных систем для разработки демонстрационного прототипа требуется примерно 1—2 мес. Демонстрационный прототип работает, имея 50—100 правил. Развитие демонстрационного прототипа приводит к исследовательскому прототипу.

Исследовательским прототипом называют систему, которая решает все требуемые задачи, но неустойчива в работе и не полностью проверена. Исследовательский прототип обычно имеет в базе знаний 200 — 500 правил, описывающих проблемную область.

Действующий прототип надежно решает все задачи, но для решения сложных задач может потребоваться чрезмерно много времени и (или) огромная память. Число правил в такой системе равно 500-1000.

Экспертная система, достигшая промышленной стадии, обеспечивает высокое качество решения всех задач при минимуме времени и памяти. Обычно процесс преобразования действующего прототипа в промышленную систему состоит в расширении числа правил до 1000—1500 и переписывании программ с использованием более эффективных интеллектуальных систем.

Обобщение задач, решаемых на стадии промышленной системы, позволяет перейти к стадии коммерческой системы, пригодной не только для собственного использования, но и для продажи различным потребителям. В базе знаний такой системы 1500—3000 правил.

Диапазон возможных средств построения ЭС простирается от языков высокого уровня до средств поддержки низкого уровня. Разделим инструментальные средства построения ЭС на четыре основных категории:

• языки программирования;

• языки инженерии знаний;

• вспомогательные средства;

• средства поддержки.

Языки программирования, применяемые для работы в области ЭС, — это, как правило, или проблемно-ориентированные языки (Фортран, Паскаль и т.д.), или языки обработки текстов (Лисп, Пролог). Проблемно-ориентированные языки разработаны для специального класса задач. Например, Фортран удобен для выполнения алгебраических вычислений и чаще всего применяется в научных, математических и статистических вычислениях. Языки обработки текстов разработаны для прикладных областей искусственного интеллекта. Например, Лисп имеет механизмы для манипулирования символами в форме списковых структур. Список является просто набором элементов, заключенных в скобки, где каждый элемент может быть или символом, или другим списком. Списковые структуры являются удобным строительным материалом для представления сложных понятий. В языке Лисп все отношения между объектами описываются через списки, содержащие отношения объекта с другими объектами.

Добавим, что Лисп существует в разных версиях. Например, Интерлисп и Маклисп имеют различные средства поддержки (редакторы и средства отладки), но одинаковый синтаксис.

Языки программирования, подобные Лиспу, представляют максимальную гибкость разработчику ЭС, но никак не подсказывают ему, как представлять знания или как построить механизм доступа к базе знаний. С другой стороны, языки инженерии знаний, такие как KAS, обладают меньшей гибкостью, поскольку разработчик системы должен пользоваться схемой управления, определяемой встроенным в язык механизмом вывода. Эти языки, однако, обеспечивают некоторое руководство и готовые механизмы вывода для управления и использования базы знаний.

Язык инженерии знаний является искусным инструментальным средством разработки ЭС, погруженным в обширное поддерживающее окружение. Языки инженерии знаний можно разделить на скелетные и универсальные. Скелетный язык инженерии знаний является просто «раздетой» экспертной системой, т.е. ЭС без специальных предметных знаний, включающей в себя только механизм вывода и средства поддержки.

Универсальный язык инженерии знаний может быть применим к проблемам разного типа в различных прикладных областях. Он обеспечивает более широкие возможности управления поиском данных и доступом к ним, чем скелетные системы, но может оказаться, что его труднее использовать. Разные универсальные языки значительно варьируют в смысле общности и гибкости.

Вспомогательные средства построения ЭС состоят из программ, оказывающих помощь в приобретении знаний у эксперта, и представлении их, и программ, которые помогают разрабатывать проекты экспертных систем.

Средства поддержки — это просто пакеты программ, которые прилагаются к средству построения ЭС, чтобы упростить его использование, облегчить диалог и сделать его более эффективным. Это — средства отладки, ввода-вывода, объяснения, редакторы баз знаний.

Интеллектуальные системы расчетно-логического типа предполагают организацию базы знаний в виде функциональной семантической сети. Рассмотрим кратко алгоритмы поиска решений на функциональной семантической сети (ФСС). Первой задачей, которая должна быть решена, является выбор представления, в котором реализуются процедуры поиска решений и организации вычислительного процесса. При этом целесообразно выбрать представление в пространстве состояний. В данном представлении задачу поиска решений можно формально записать следующим образом:

T=<S, So, Sk, F>,

где So — начальное состояние; 5* конечное состояние; S — множество промежуточных состояний; F= {/Л} — множество операторов, которые переводят процесс поиска из одного состояния в другое. Каждому математическому отношению F,, поставим в соответствие список (кортеж) параметров, которые в него входят. Таким образом, рассматриваемый алгоритм предусматривает работу со списочными структурами данных.

При поиске решений на ФСС в качестве множества операторов выступают разрешения математических отношений F*, реализуемые в виде отдельных программных модулей, совокупность которых для данной проблемной области составляет локальную (может быть, одну из многих) базу процедур. Здесь верхний индекс г\ указывает на параметр, который в данном разрешении выступает как функция, а нижний индекс / — на номер соответствующего математического отношения в совокупности математических отношений. Задание исходных даннных определяет начальное состояние sq, а искомое решение — конечное (целевое) состояние. Выбор на каждом очередном шаге некоторого конкретного оператора осуществляется в соответствии с некоторыми правилами, которые для данной проблемной области составляют локальную базу правил.

Первый алгоритм реализует стратегию обратной волны, начиная поиск решения задачи с целевого состояния, т.е. от искомого параметра. Суть алгоритма состоит в следующем. В соответствии с алгоритмом поиска решений Нильсона образуем следующие списки: Si — список параметров, которые должны быть рассчитаны; ^2 — список параметров, для которых выбраны разрешения для расчета. Дополнительно образуем еще два списка: S$ — список разрешений, включаемых в план решения задачи,и Si — список оценок сложности реализации разрешения, выбранного в план решения задачи. Данные оценки позволяют при наличии нескольких планов выбрать наилучший, т.е. реализовать классическую постановку задачи принятия решений.

Во втором алгоритме реализуется стратегия прямой волны, т.е. планирование идет от исходных данных к целевому параметру.

Многофункциональность разрабатываемых систем обработки интеллектуальной информации может быть обеспечена за счет современного подхода к хранению и использованию знаний проектировщиков.

Основной принцип данного подхода заключается в том, что задачи решаются на основе не просто данных, а знаний. Последние являются существенно более мощными и позволяют решать на их основе сложные задачи.

Традиционные ЭС имеют лишь один механизм поддержки принятия решений — логический вывод и лишь одно средство представления знаний — правила. В последнее время активно развивается новое поколение ЭС — гибридные экспертные системы (ГЭС).

Для использования ГЭС в качестве средства поддержки принятия управленческих решений необходимо предусмотреть возможность учета характеристик лица, принимающего решение (ЛПР). В этом случае в экспертной системе должна присутствовать гибкая схема логического вывода, а поддержка принятия решений должна осуществляться в соответствии с конкретной аналитической моделью пользователя. На рис. 5.20 приведена упрощенная архитектура ГЭС.

Данная архитектура не претендует на полноту и характеризует отличие ГЭС от традиционных ЭС.

Эксперт соответствующей предметной области должен иметь возможность задавать оценки объектов, выявленные в результате его взаимодействия с подсистемой обработки экспертных знаний. Полученные таким образом экспертные знания будут храниться в базе экспертных знаний.

Одним из основных этапов решения задачи многокритериального выбора является настройка модели на систему предпочтений ЛПР. Она выявляется в результате взаимодействия ЛПР и подсистемы выявления предпочтений ЛПР. Найденные таким образом характеристики ЛПР сохраняются в базе характеристик ЛПР.

Банк моделей должен содержать широкий набор решающих правил, выражающих различные стратегии поведения пользователя.

 





©2015- 2017 megalektsii.ru Права всех материалов защищены законодательством РФ.