Понятие экспертной системы

Размещено на http://www.allbest.ru/

Министерство образование и науки Кыргызской республики

Контрольная работа

Понятие экспертной системы

Выполнил:

Абдували Омурбек



ПЛАН

ВВЕДЕНИЕ

1. ПОНЯТИЕ ЭКСПЕРТНОЙ СИСТЕМЫ

1.1 НАЗНАЧЕНИЯ И ОСНОВНЫЕ СВОЙСТВА ЭКСПЕРТНЫХ СИСТЕМ

1.2 КЛАССИФИКАЦИЯ ЭКСПЕРТНЫХ СИСТЕМ

2. СТРУКТУРА ЭКСПЕРТНЫХ СИСТЕМ

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ



ВВЕДЕНИЕ

Экспертные системы (ЭС) - представляют собой компьютерные программы, использующие принципы искусственного интеллекта для обработки оперативной информации и принятия обоснованных решений в анализируемой области. ЭС с успехом применяются там, где принятие решения формируется в условиях неполноты данных и зависит, скорее, от качественных, чем количественных оценок, например, в области анализа финансовой деятельности, где эффективность принимаемых решений зависит от сопоставления множества различных факторов, учета сложных причинно-следственных связей, применения нетривиальных логических рассуждений и т. п.

Многочисленные попытки исследователей, работающих в области искусственного интеллекта, в течение последних десятилетий были направлены именно на создание систем, способных к разумному поведению. Наделив вычислительные машины способностью «рассуждать» и сконцентрировав эти возможности в виде прикладных систем знаний или так называемых экспертных систем, методы искусственного интеллекта приобрели для пользователей практический интерес.

В общем виде ЭС представляют собой программы для решения задач, традиционно относимых к области деятельности человеческого интеллекта. К числу таких задач относятся планирование, прогнозирование, классификация, принятие решений и т. д.

При этом ЭС, в отличие от универсальных решателей задач, существенно ориентированы на учет особенностей той области практической деятельности человека, в которой возникают решаемые задачи. Создание экспертных систем сопровождается и рядом трудностей. Во-первых, требует решения проблема интерфейса. Речь идет не только о привычном обмене текстами на языке, близком к профессиональному естественному языку, но и о речевом общении, которое сопровождается выводом необходимых данных на экран дисплея. Здесь, с одной стороны, необходимо, не вдаваясь в лишние подробности, «объяснить» системе, что от нее нужно, заняв при этом мало времени, а с другой стороны, получить от системы исчерпывающий ответ по запросу, который должен быть кратким и четким, полным и понятным. Большое внимание при ответе следует уделять визуальному сопровождению информации. Понятно, что как запросы, так и ответы проще всего формулировать пользователю в устной форме, а полученная при таком естественном общении с системой информация «легка в усвоении».

Вторая проблема - «извлечение» знаний у эксперта. Необходимо разработать специальные системы передачи опыта, для извлечения тех знаний и умений, которые самим экспертам не совсем доступны для формулировки.



1. ПОНЯТИЕ ЭКСПЕРТНОЙ СИСТЕМЫ

1.1 НАЗНАЧЕНИЯ И ОСНОВНЫЕ СВОЙСТВА ЭКСПЕРТНЫХ СИСТЕМ

В начале 80-х годов в исследованиях по искусственному интеллекту сформировалось самостоятельное направление, получившее название «экспертные системы» (ЭС).

Основным назначением ЭС является разработка программных средств, которые при решении задач, трудных для человека, получают результаты, не уступающие по качеству и эффективности решения, решениям, полученным человеком-экспертом.

ЭС используется для решения так называемых неформализованных задач, общим для которых является то, что:

- задачи не могут быть заданы в числовой форме;

- цели нельзя выразить в терминах точно определенной целевой функции;

- не существует алгоритмического решения задачи;

- если алгоритмическое решение есть, то его нельзя использовать из-за ограниченности ресурсов (время, память).

Кроме того, неформализованные задачи обладаю ошибочностью, неполнотой, неоднозначностью и противоречивостью как исходных данных, так и знаний о решаемой задаче.

Экспертная система - это программное средство, использующее экспертные знания для обеспечения высокоэффективного решения неформализованных задач в узкой предметной области.

Основу ЭС составляет база знаний (БЗ) о предметной области, которая накапливается в процессе построения и эксплуатации ЭС. На рисунке 1 показаны основные свойства ЭС.



Рис. 1. - Основные свойства ЭС:

Знания являются явными и доступными, что отличает ЭС от традиционных программ, и определяет их основные свойства, такие, как:

1. Примечание для решения проблем высококачественного опята, который представляет уровень мышления наиболее квалифицированных экспертов в данной области, что ведет к решениям эффективным;

2. Наличие прогностических возможностей, при которых ЭС выдает ответы не только для конкретной ситуации, но и показывает, как изменяются эти ответы в новых ситуациях, с возможностью подробного объяснения каким образом новая ситуация привела к изменениям;

3. Обеспечение такого нового качества, как институциональная память, за счет входящей в состав ЭС базы знаний, которая разработана в ходе взаимодействий со специалистами организации, и представляет собой текущую политику этой группы людей. Этот набор знаний становиться сводом квалифицированных мнений и постоянно обновляемым справочником наилучших стратегий и методов, используемых персоналом;

4. Возможность использования ЭС для обучения и тренировки руководящих работников, обеспечивая новых служащих.

Для формирования полноценной экспертной системы необходимо, как правило, реализовать в ней следующие функции;

- функции решения задач, позволяющие использовать специальные знания в проблемной области;

- функции взаимодействия с пользователем, которые, в частности, позволяют объяснить намерения и выводы системы в процессе решения задачи и по завершении этого процесса.

Каждая из этих функций может оказаться очень сложной, а способ их реализации может зависеть от проблемной области и практических требований. К тому же разработка и реализация проекта такой системы часто требует решения разнообразных и сложных проблем. К ним относится выбор способа представления знаний и соответствующих средств проведения рассуждений. В данной главе рассматриваются наиболее важные понятия в этой области, которые могут стать основой для дальнейшего усовершенствования.

1.2 КЛАССИФИКАЦИЯ ЭКСПЕРТНЫХ СИСТЕМ

Существует множество признаков, по которым можно (весьма условно) классифицировать ЭС.

По степени сложности различают поверхностные и глубинные ЭС, по степени связанности правил продукционные ЭС делят на связные и мало связные, по типу предметной области выделяют статические, динамические ЭС и ЭС реального времени и т. п.

Процесс создания ЭС занимает немало времени, поэтому определенный интерес представляет классификация ЭС по стадиям разработки:

- демонстрационный прототип (база знаний содержит 10-100 правил);

- исследовательский прототип (200-500 правил);

- действующий прототип (500-1000 правил);

- промышленный образец (1000-1500 правил);

- коммерческий образец (1500-3000 правил).

Масштабы разработки ЭС предопределили создание специальных инструментальных (аппаратных и программных) средств, систематизированное представление которых составляет содержание, представленное на рис. 2.



Рис. 2. - Инструментальные средства разработки экспертных систем:

Инструментальные средства построения экспертных систем представляют собой системы программирования, облегчающие работу по созданию экспертных систем. Различают следующие типы инструментальных средств разработки:

- языки программирования;

- языки представления знаний;

- средства автоматизации проектирования;

- оболочки.

Язык программирования - это механизм абстрагирования. Он дает возможность программисту описать вычисления абстрактно и в то же время позволяет компилятору перевести это описание в детализированную форму, необходимую для выполнения на компьютере.

Языки программирования существуют только для преодоления разрыва в уровне абстракции между аппаратными средствами и реальным миром. Чтобы выбрать язык программирования, следует избрать соответствующий уровень абстракции и нет ничего удивительного в том, что какой-либо язык может подходить для одного проекта и не подходить для другого. Языки программирования, применяемые в экспертных системах, как правило, относятся к числу либо проблемно-ориентированных (типа Фортрана или Паскаля), либо языков манипулирования символами (типа Лиспа или Пролога). Проблемно-ориентированные языки предназначены для решения проблем определенных классов.

Например, Фортран характеризуется удобными возможностями для выполнения алгебраических действий и наиболее приемлем для решения задач математического и статистического характера. Языки манипулирования над символами предназначены для решения прикладных задач в области искусственного интеллекта. В основу языка Лисп положены следующие принципы:

- использование единого спискового представления для программ и данных;

- применение выражений для определения функций;

- скобочный синтаксис языка.

Иная модель организации вычислений положена в основу языка Пролог. Здесь программист описывает предметную область, задавая для этого необходимые факты и правила, а ПРОЛОГ-система сама строит дедуктивный вывод на введенных данных. Логическая программа представляет собой выполнимую формулу в некоторой логике. На рис. 3 Приложения показан внешний вид системы TurboProlog.

Ещё одним распространенным инструментальным средством разработки экспертных систем является CLIPS (С Language Integrated Production System).

Представляя собой логически полную среду, содержащую встроенный редактор и средства отладки, CLIPS является оболочкой ЭС. CLIPS использует продукционную модель представления знаний и поэтому содержит три основных элемента:

- список фактов;

- базу знаний;

- блок вывода;

Принципиальным отличием данной системы от аналогов является то, что она полностью реализована на языке С. Причем исходные тексты ее программ опубликованы в сети Интернет.

В CLIPS используется оригинальный LIPS-подобный язык программирования, ориентированный на разработку ЭС. Кроме того, CLIPS поддерживает еще две парадигмы программирования: объектно-ориентированную и процедурную.

Языки, реализующие ту или иную модель представления знаний, называют языками представления знаний. Напомню, что традиционно выделяют четыре модели представления знаний - логическую, продукционную, фреймовую, сетевую, и соответственно можно говорить о четырех типах языков представления знаний. Наибольшее представительство имеют фреймовые языки: GUS, KRL, FRL, OWL и др.

Однако самым распространенным языком представления знаний стал продукционный язык OPS5, краткое знакомство с которым дано в разделе описания продукционных моделей. Средства автоматизации проектирования предоставляют разработчику разнообразные средства для учета особенности приложений. Такие средства объединяют в рамках одной среды различные методы решения задач, представления знаний и вывода.

Лучшими представителями этого класса инструментальных средств являются ART и KEE. Интегрированная среда ART объединяет два формализма представления знаний: правила и фреймы, причем приоритет здесь отдается правилам. Модели вывода в среде ART традиционны: прямой и обратный, однако они могут объединяться в один механизм вывода. ART предлагает дружественный интерфейс с развитой системой подсказок, системой меню и графическим пакетом, а также редактор баз знаний. В отличие от ART, инструментальное средство KEE является средой, в основе которой лежат фреймы. Причем здесь слоты фреймов могут быть связаны с процедурными знаниями. Описание объектов и правил в KEE представляется в виде иерархии фреймов. Каждый объект представляется слотами, которые могут иметь различные аспекты, последние, в свою очередь, могут иметь множественные значения. Интерфейс включает редактор базы знаний и графические средства.

Оболочки содержат все компоненты экспертной системы в готовом виде. Оболочки представляют собой экспертную систему с удаленными из нее специфичными для соответствующей области знаниями, в которой оставлены машина вывода и обеспечивающие средства.

Оболочки предоставляют структурные и встроенные средства, превращающие разработку экспертной системы в простой и быстрый процесс. Однако им не хватает общности и гибкости, их применение ограничивается лишь некоторым классом задач, и они значительно снижают предоставляемые разработчику возможности по построению экспертных систем. Ниже рассмотрим оболочку EMYCIN.

EMYCIN - это предметно-независимая версия системы MYCIN. EMYCIN является инструментом для разработки консультационной программы, которая может запрашивать данные о положении дел и обеспечивает их интерпретацию или анализ. Она удобна для решения дедуктивных задач, таких как диагностика заболеваний или неисправностей, для которых характерно большое количество ненадежных входных измерений, а пространство решений может быть четко очерчено.

EMYCIN позволяет применить дедуктивную машину системы MYCIN к предметной области новой задачи, специальные знания которой могут быть представлены на языке правил системы MYCIN.

При этом EMYCIN сохраняет все особенности системы MYCIN, а также программное обеспечение построения системы, что облегчает отладку и ввод данных в базу знаний. Следует отметить, что первоначально разработка ЭС осуществлялась на традиционных алгоритмических языках программирования с реализацией на универсальных ЭВМ. В дальнейшем были созданы как специализированные аппаратные и программные средства, так и средства автоматизации программирования. Появились и оболочки ЭС, которые по задумке авторов должны были существенно упростить (и удешевить) разработку систем. Однако в полной мере эти надежды не оправдались (как показало дальнейшее развитие прикладных программных средств не только в области ИИ, и не могли оправдаться). Это связано с принципиальной сложностью использования конкретной ЭС (даже весьма эффективной в своей предметной области) для решения совершенно других задач, а именно таким путем создавались первые оболочки ЭС.

Еще более проблематичной представляются попытки создания так называемых универсальных оболочек, пригодных для применения «во всех» предметных областях. При создании ЭС наибольшую трудность представляет разработка совершенной базы знаний, т. е., моделирование знаний экспертов о некоторой предметной области. Разработка любой модели - в том числе и модели знаний - представляет собой полностью не формализуемый процесс, содержащий элементы творчества и строго формальных действий.

Особенности ЭС, отличающие их от обычных программ, заключаются в том, что они должны обладать:

1. Компетентностью, а именно:

- достигать экспертного уровня решений (т. е., в конкретной предметной области иметь тот же уровень профессионализма, что и эксперты-люди);

- быть умелой (т. е., применять знания эффективно и быстро, избегая, как и люди, ненужных вычислений);

- иметь адекватную робастность (т. е., способность лишь постепенно снижать качество работы по мере приближения к границам диапазона компетентности или допустимой надёжности данных).

2. Возможностью к символьным рассуждениям, а именно:

- представлять знания в символьном виде;

- переформулировать символьные знания.

На жаргоне искусственного интеллекта символ - это строка знаков, соответствующая содержанию некоторого понятия. Символы объединяют, чтобы выразить отношения между ними. Когда отношения представлены в ЭС они называются символьными структурами.

3. Глубиной, а именно:

- работать в предметной области, содержащей трудные задачи;

- использовать сложные правила (т. е., использовать либо сложные конструкции правил, либо большое их количество).

4. Самосознанием, а именно:

- исследовать свои рассуждения (т. е., проверять их правильность);

- объяснять свои действия.

Существует ещё одно важное отличие ЭС. Если обычные программы разрабатываются так, чтобы каждый раз порождать правильный результат, то ЭС разработаны с тем, чтобы вести себя как эксперты.

Они, как правило, дают правильные ответы, но иногда, как и люди, способны ошибаться. Традиционные программы для решения сложных задач, тоже могут делать ошибки. Но их очень трудно исправить, поскольку алгоритмы, лежащие в их основе, явно в них не сформулированы. Следовательно, ошибки нелегко найти и исправить. Э7С, подобно людям, имеют потенциальную возможность учиться на своих ошибках. В работе ЭС можно выделить два основных режима: режим приобретения знаний и режим решения задачи (режим консультации или режим использования).

В режиме приобретения знаний общение с ЭС осуществляет эксперт (при помощи инженера знаний). Используя компонент приобретения знаний, эксперт описывает проблемную область в виде совокупности фактов и правил. Другими словами, «наполняет» ЭС знаниями, которые позволяют ей самостоятельно решать задачи из проблемной области.

Отметим, что этому режиму при традиционном подходе к программированию соответствуют этапы:

- алгоритмизации;

- программирования;

- отладки, выполняемые программистом.

Таким образом, в отличие от традиционного подхода в случае ЭС разработку программ осуществляет не программист, а эксперт, не владеющий программированием.

В режиме консультаций общение с ЭС осуществляет конечный пользователь, которого интересует результат и (или) способ его получения.

Необходимо отметить, что в зависимости от назначения ЭС пользователь может:

- не быть специалистом в данной предметной области, и в этом случае он обращается к ЭС за результатом, который не умеет получить сам;

- быть специалистом, и в этом случае он обращается к ЭС с целью ускорения получения результата, возлагая на ЭС рутинную работу.

Следует отметить, что в отличие от традиционных программ ЭС при решении задачи не только исполняют предписанную алгоритмом последовательность операций, но и сама предварительно формирует её.

Хорошо построенная ЭС имеет возможность самообучаться на решаемых задачах, пополняя автоматически свою БЗ результатами полученных выводов и решений. Рассмотрим структуру экспертных систем более подробно.



2. СТРУКТУРА ЭКСПЕРТНЫХ СИСТЕМ

Экспертная система включает три основных составляющих: базу правил, рабочую память и механизм вывода. В дополнение к ним для поддержки работы системы и реализации интеллектуального взаимодействия с пользователем в нее обычно входят еще и подсистема приобретения знаний, средства общения на естественном языке, а также подсистема объяснения (см. рис. 3).

База правил (память для хранения правил), которая содержит набор срабатывающих в определенных ситуациях правил, имеющих форму ЕСЛИ-ТО. Такие конструкции получили название продукционных правил. Каждое правило складывается из двух частей. Первая из них - антецедент или посылка правил, - состоит из элементарных предложений, соединенных логическими связками И, ИЛИ и т. д.

Вторая часть, называемая консеквентном, или заключением, состоит из одного или нескольких предложений, которые образуют выдаваемое правилом решение либо указывают на действие, подлежащее выполнению. Антецедент представляет собой образец правила, предназначенного для распознавания ситуации, когда оно должно сработать.

Правило срабатывает, если факты из рабочей памяти при сопоставлении совпали с образцом, после чего правило считается отработавшим. Рабочая память (база данных) - в этой памяти хранятся множество фактов, описывающих текущую ситуацию, и все пары «атрибут-значение», которые были установлены к определенному моменту. Содержимое рабочей памяти со временем изменяется, увеличиваясь в объеме по мере срабатывания правил.

Новые факты, добавляемые в рабочую память, являются результатом вывода, который состоит в применении правил к имеющимся фактам. База знаний включает в себя совокупность правил и содержимое рабочей памяти.

Рис. 3. - Обобщенная структура экспертной системы:

Механизм вывода (интерпретатор правил) выполняет две функции: во-первых, просмотр существующих фактов из рабочей памяти и правил из базы знаний и добавление в рабочую память новых фактов и, во-вторых, определение порядка просмотра и применения правил. Этот механизм управляет процессом консультации, сохраняя для пользователя информацию о полученных заключениях, и запрашивает у него информацию, когда для срабатывания очередного правила в рабочей памяти оказывается недостаточно данных. Выше уже отмечалось, что механизм вывода включает в себя два компонента - один из них реализует собственно вывод, другой управляет этим процессом.

Компонент вывода выполняет первую задачу, просматривая имеющиеся правила и факты из рабочей памяти и добавляя в последнюю новые факты при срабатывании какого-нибудь правила. Управляющий компонент определяет порядок применения правил. Рассмотрим каждый из этих компонентов более подробно. Компонент вывода - его действие основано на применении правила вывода, обычно называемого модус понёс, суть которого состоит в следующем: пусть известно, что истинно утверждение А и существует правило вида «ЕСЛИ А, ТО В», тогда утверждение В также истинно.

Правила срабатывают, когда находятся факты, удовлетворяющие их левой части: если истинна посылка, то должно быть истинно и заключение. Хотя в принципе на первый взгляд кажется, что такой вывод легко может быть реализован на компьютере, тем не менее на практике человеческий мозг все равно оказывается более эффективным при решении задач.

Управляющий компонент. Этот компонент определяет порядок применения правил, а также устанавливает, имеются ли еще факты, которые могут быть изменены в случае продолжения консультации. Управляющий компонент выполняет четыре функции:

5. Сопоставление - образец правила сопоставляется с имеющимися фактами.

6. Выбор - если в конкретной ситуации могут быть применены сразу несколько правил, то из них выбирается одно, наиболее подходящее по заданному критерию (разрешение конфликта).

7. Срабатывание - если образец правила при сопоставлении совпал с какими-либо фактами из рабочей памяти, то правило срабатывает.

8. Действие - рабочая память подвергается изменению путем добавления в нее заключения сработавшего правила. Если в правой части правила содержится указание на какое-либо действие, то оно выполняется. Подсистема приобретения знаний предназначена для добавления в базу знаний новых правил и модификации имеющихся. В ее задачу входит приведение правила к виду, позволяющему механизму вывода применять это правило в процессе работы. В простейшем случае в качестве такой подсистемы может выступать обычный редактор или текстовый процессор, который просто заносит правила в файл. В более сложных системах предусмотрены еще и средства для проверки вводимых или модифицируемых правил на непротиворечивость с имеющимися правилами. Средства общения на естественном языке. Поскольку системы, основанные на знаниях, реализуются на компьютерах, то и входная информация воспринимается ими в виде, понятном компьютеру, т. е., в битах и байтах. Однако для того чтобы с системой мог взаимодействовать неподготовленный пользователь, в нес требуется включить средства общения на естественном языке. Подавляющее большинство экспертных систем обладают достаточно примитивным интерфейсом на естественном языке - допустимые входные сообщения пользователя ограничены набором понятий, содержащихся в базе знаний. Простые системы ведут с пользователем достаточно элементарный диалог, в котором он может обойтись словами «да», «нет» и иногда добавить вопрос «почему?». В более сложных системах компонент взаимодействия с пользователем способен произвести грамматический разбор входного предложения. Грамматический разбор состоит в определении связанных частей предложения. Подсистема объяснения. Большинство специалистов-пользователей не смогут с доверием относиться к выведенному системой заключению, пока не будут знать, как оно было получено. В качестве примера рассмотрим структуру экспертной системы на базе нечеткой логики FUZZY EXPERT (см. рис. 4). Она содержит 16 блоков, 8 из которых составляют собственно экспертную систему, а остальные - среду разработки. Блок модификации нечеткой базы знаний и дерева вывода содержит все формы, необходимые для внесения изменений в блоки экспертной системы: дерево логического вывода, базу знаний и функции принадлежности. Это основной блок среды разработки нечетких баз знаний. Он выполняет следующие функции:

- формирование дерева логического вывода;

- задание функций принадлежности лингвистических термов: модифицированным методом Саати или методом статистической обработки экспертной информации;

- заполнение нечетких баз знаний;

- сохранение (извлечение) вариантов экспертных систем из библиотеки.

Блок моделирования используется для получения графиков и поверхностей, отражающих зависимость выходной переменной от одной или двух входных переменных при фиксированных значениях остальных переменных. Блок настройки предназначен для решения задач оптимизации нечеткой базы знаний с целью повышения качества идентификации нелинейных объектов. Этот блок выполняет следующие функции:

- запрос обучающей выборки;

- решение задач оптимизации нечетких баз знаний градиентным методом;

- решение задач оптимизации нечетких баз знаний с параметрическими функциями принадлежности при помощи генетического алгоритма;

- решение задач оптимизации нечетких баз знаний с уровневыми функциями принадлежности при помощи генетического алгоритма.

Рис. 4:

Блок тестирования ЭС предназначен для выполнения следующих действий: запроса тестирующей выборки и оценки качества идентификации в точках тестирующей выборки.

Блок документирования осуществляет выдачу информации о построенной экспертной системе в виде, удобном для инженера по знаниям. Библиотека экспертных систем используется для хранения созданных экспертных систем на различных этапах их разработки. Библиотека функций принадлежности содержит набор стандартных моделей функций принадлежности:

- трапециевидные;

- треугольные;

- колокол образные;

- экспоненциальные.

Архив расчетов позволяет хранить результаты выполняемых расчетов на различных этапах создания и функционирования системы. Другими словами, речь идет о приобретении тех знаний, которые не поддаются прямому описанию в текстовой форме.

Не секрет, что многие высококлассные специалисты не могут объяснить порой элементарных вещей. Вот почему в настоящее время требуются такие системы, которые бы могли не только опросить специалиста, но и создать при этом четкий алгоритм хранения полученной информации в базе знаний для последующего его использования.

Необходимо также уделить внимание и созданию системы по приобретению у специалиста интуитивных знаний и даже предположений с определенной долей вероятности. Причем, в дальнейшем, при развитии знаний, такие вероятности должны обрабатываться и либо приниматься, либо отвергаться системой.

В подсистеме взаимосвязанных эталонов, в области измерения параметров электрических цепей, воспроизведение единицы электрической ёмкости - фарада - обеспечивается расчётным перекрестным конденсатором (РПК). Впервые понятие РПК было введено в 1956г. Работы по созданию РПК во ВНИИМ начаты в 1962 г. РПК нового поколения был введен в практику измерений в 1998 г. Комплекс аппаратуры обеспечивает воспроизведение емкости 0,2 пФ с погрешностью менее 2*10-7.

Воспроизведение единицы ёмкости посредством расчётного конденсатора является также частью процесса абсолютного воспроизведения Ома, т. е., установления национального размеры единицы сопротивления через размеры основных механических величин.

Таким образом, обеспечивается взаимосвязь электрической и механической систем единиц.



ЗАКЛЮЧЕНИЕ

С развитием компьютерных технологий возрастает роль искусственного интеллекта в повседневной жизни современного общества. Системы распознавания речи, текста, системы диагностики в медицине или других областях, обучающие программы, системы принятия решений - без этого уже не обойтись современному человеку. Экспертная системы - одна из разновидностей искусственного интеллекта.

В данной работе были описаны основные характеристики, рассмотрена структура и функции основных блоков, а так же преимущества перед традиционными информационными системами, ЭС разрабатываются с целью облегчить и автоматизировать деятельность экспертов в той или иной предметной области. В отличие от человека, система не знает усталости, обладает меньшей вероятностью ошибок, и в то же время способна к самообучению, накапливанию опыта подобно эксперту.

Исследования и разработки ЭС составили основу программ в области информатики развитых государств. В России исследования и разработки в области ЭС включены в ряд государственных и отраслевых научно-технических программ. компьютерный интеллект информация

Системы с базами знаний не только стали находить практическое применение в бизнесе и в решении серьезных информационных задач, но и продемонстрировали ощутимый эффект от их использования. Например, чрезвычайно эффективными с точки зрения применения ЭС оказались системы поддержки организационного управления и планирования распределения ресурсов.

В настоящее время ЭС применяются в различных областях человеческой деятельности. К числу наиболее перспективных разработок, ведущихся у нас и за рубежом, относятся разработки ЭС в областях: страхования и финансов, раннего предупреждения национальных и международных конфликтов, поиска компромиссных решений, принятия решений в кризисных ситуациях, охраны правопорядка, образования, военных приложений и т. п.

Однако бурному росту популярности ЭС на предприятиях и в учебных заведениях препятствуют многие факторы. Большинство современных экспертных систем «стремятся», как правило, использовать личностные знания эксперта и чаще всего формализуют их (без усиления логических возможностей современных информационных систем) в выбранной системе правил. Поэтому основной трудностью создания ЭС становится получение знаний от эксперта, так как этот процесс зависит от многих факторов: предметной области, методики получения знаний, квалификации эксперта и способности выявлять его собственные знания. Тем более, что часто квалифицированные эксперты выдают знания, удовлетворяющие лишь начинающих изучать соответствующую область.



СПИСОК ЛИТЕРАТУРЫ

1. Братко И. Алгоритмы искусственного интеллекта на языке PROLOG. - М.: Издательство «Вильямс», 2004.

2. Джексон Питер Введение в экспертные системы. - М.: Издательство «Вильямс», 2001.

3. Егоров Н.В., Карпов А.Г. Диагностические информационно-экспертные системы - М.: Вильямс, 2002.

4. Лорьер Ж.Л. Системы искусственного интеллекта. - М.: Мир, 1991.

5. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ. - М.: Финансы и статистика, 1990.

6. Рутштейн А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. - Винница: УНИВЕРСУМ-Винница, 1999.

7. Братко И. Алгоритмы искусственного интеллекта на языке PROLOG. - М.: Издательство «Вильямс», 2004.

Размещено на Allbest.ru

...