Розробка бази знань експертної системи

Размещено на http://www.allbest.ru/

Експертні системи

Експертні системи -- це програмні комплекси, що акумулюють досвід спеціалістів у деякій предметній області із метою його (досвіду) тиражування для консультацій менш кваліфікованих користувачів. Розробка ЄС -- це галузь інформатики, що активно розвивається та спрямована на використання ЕОМ для обробки інформації у тихий галузях науки та техніки, де традиційні математичні моделі моделювання малопридатні, де важливі смислова та логічна обробка інформації, досвід експертів. Експертні системи досить молоді--перші системи такого роду з'явилися США 70-х років. Натепер у світі нараховується декілька тисяч промислових ЄС, що дають поради при керуванні складними пунктами диспетчерів, постановці медичних діагнозів, пошуку несправностей у електронних пристроях тощо. Зараз легше назвати області, де ЄС використовуються, ніж тих, де смердоті уже використовуються.

Головна відмінність ЄС від інших програмних засобів -- це наявність бази знань, у якій знання зберігаються у вигляді записів на деякій мові представлення знань (МПЗ), що дозволяє легко змінювати та доповнювати базу знань у формі, що зрозуміла спеціалістам -- розробникам ЄС. У звичайних програмах знання зашиті у алгоритм й лише програміст (автор програми) може їхнього корегувати (якщо згадає, як побудована його програма).

До останнього години саме різні МПЗ були центральною проблемою при розробці ЄС. Зараз існують десятки мов чи моделей представлення знань. Найпоширеніші із них: продукції, семантичні мережі, фрейми, обчислення предикатів 1-го порядку, ГО мови програмування тощо. Для цих моделей існує відповідна математична нотація, розроблені системи програмування, що реалізують ці МПЗ. Вибір конкретної моделі визначається структурою знань у конкретній предметній області. Спочатку необхідно визначити цю структуру. Конкретизація елементів знань та їхнього взаємозв`язків відбуваються у безпосередньому контакті зі спеціалістами предметної області -- експертами. Цей процес називається здобуттям знань, а розробники ЄС, що займаються саме здобуттям та структуруванням знань, називаються інженерами по знаннях.

Одразу визначимо тих предметні області, де має сенс виділяти знання. Це області, де переважає емпіричне знання, де накопичення фактів випереджає розвиток теорії (медицина, геологія, фінанси тощо). Такі добро структуровані області як математика, фізика, теоретична механіка, мають у своїй основі розвинений математичний апарат для опису своїх закономірностей, що дозволяє проводити машинне моделювання із використанням традиційного алгоритмічного програмування (без виділення рівня знань). Знання важливі там, де визначення розмиті, поняття змінюються, ситуації залежать від багатьох контекстів, де є велика невизначеність, нечіткість інформації. Загалом, знання -- це основні закономірності предметної області, що дозволяють людині вирішувати конкретні виробничі, наукові та інші задачі, тобто факти, поняття, взаємозв`язки, оцінки, правила, евристики (фактичні знання), а та кож стратегії прийняття рішень у цій області (чи стратегічні знання).

Експертні системи в медицині

Уже понад 30 років дослідження в галузі штучного інтелекту звертають на себе увагу. На сьогодні, коли роботи в цій галузі вже дали цілий ряд важливих, у тому числі практичних, результатів, усе ще доводиться пояснювати необхідність вирішення цієї проблеми. Найбільш відомі результати наукової галузі штучного інтелекту пов'язані з ЕС (експертними системами).

Експертні системи - це різновид комп'ютерних систем, які мають за основу відповідне представлення знань, зокрема медичних. Усупереч діагностичним системам медичні експертні системи ніби моделюють процеси мислення лікаря у встановленні діагнозу.

До експертних систем належать комп'ютерні системи, які:

* переробляють велику кількість знань;

* представляють знання в простій уніфікованій формі;

* мають незалежний механізм логічних висновків;

* можуть дати пояснення результатам, отриманих у процесі обробки знань.

Основні функції, які виконує ЕС, допомагають не експерту стати експертом, а експерту - суперекспертом. При цьому ЕС не виступає у ролі вчителя, а відбувається евристичне навчання самого користувача за рахунок надання йому нових можливостей. Зрозуміло, що медицина є ідеальним середовищем для створення та застосування ЕС у процесі навчання студентів та молодих лікарів.

Відома така класифікація ЕС за способом представлення знань: алгоритмічна модель, продукційна модель, яка складається із моделі з формальним висновком та моделі із логіко-ймовірнісним висновком, фреймова модель, семантична модель.

При цьому широко використовується алгоритмічна модель представлення знань. Сучасні принципи оптимізації діагностичного процесу мають за основу синдромний аналіз хвороб, вибір вирішальних ознак та розробку діагностичного алгоритму. Синдромний принцип аналізу хвороб дозволяє обмежити багату симптоматику хвороби до певної невеликої кількості інформаційних блоків. Синдром розглядається як сукупність ознак (або велика ознака), що спостерігаються при хворобах органів та систем незалежно від їхньої етіології та патогенезу, а також локалізації патологічного процесу. Такий феноменологічний підхід до трактування синдрому значно спрощує розробку на його основі діагностичного алгоритму. Розробка алгоритму за синдромним принципом забезпечує включення в нього всіх хвороб та патологічних станів, які характеризують даний синдром. Вибір вирішальних ознак значно підвищує ефективність та оперативність діагностики. Одним із джерел відбору вирішальних ознак (селективності) є накопичений досвід. Унаслідок проведеної таким чином експертної роботи медичні знання представляються у вигляді алгоритмічної моделі. У практиці програмування таку модель описують за допомогою алгоритмічних мов програмування. Широко застосовуються також структурні схеми алгоритмів, які дозволяють представити дані моделі в більш наочному та загальнодоступному вигляді, не звертаючись до складних конструкцій мов програмування. Прикладом може бути алгоритм розпізнання коматозних станів у хворих на цукровий діабет.

Алгоритм розпізнання коматозних станів у хворих на цукровий діабет

Недоліком такої моделі є її статичність, тобто внесення нових або редагування наявних знань, веде за собою зміну структури всього алгоритму та, відповідно, програми, яка його реалізує, крім того, ці зміни при розробці машинних діагностичних систем можуть відбуватися багаторазово.

Великий клас ЕС використовує загальну схему представлення знань у вигляді системи продукцій. При використанні системи продукцій (формально-

логічна модель) сукупність знань експерта про предметну галузь записується у вигляді набору правил типу:

S ^ B, де S - кон'юнкція елементарних фактів або їх заперечення; B - елементарний факт.

Елементарні факти мають вигляд значень змінних із деякого завершального набору. Іншими словами, продукційні правила мають вигляд умовних виразів ЯКЩО - ТОДІ, що виявляють залежність між ознаками (симптомами) та гіпотезами ( діагнозами).

У схемі організації структури формально-логічних моделей продукційних систем зазвичай використовується " стратегія прямої хвилі": від даних до мети. При цьому перевіряються ліві частини всіх правил для визначення продукцій, що застосовуються. Взагалі така процедура називається логічним висновком.

Розглянемо приклад - база знань ЕС для діагностики хвороб та станів, що супроводжуються ацетонурією ( наявність ацетону в сечі):

ПРАВИЛО 1: ЯКЩО рівень глюкози в крові підвищений, ТА в анамнезі вказується на цукровий діабет - ТОДІ ацетонурія - це діабетичний кетоацитоз;

ПРАВИЛО 2: ЯКЩО рівень глюкози в крові підвищений, Та в анамнезі вказується на тривале вживання кортикостероїдів - ТОДІ ацетонурія - це масивна кортикостероїдна терапія;

ПРАВИЛО 3: ЯКЩО рівень глюкози в крові підвищений, ТА в анамнезі вказується на зоб, тахікардію, дефіцит ваги тіла - ТОДІ ацетонурія - це ДТЗ (дифузний токсичний зоб) разом із діабетом;

ПРАВИЛО 4: ЯКЩО рівень глюкози в крові в нормі, ТА в анамнезі вказується на тривале вживання кортикостероїдів - ТОДІ ацетонурія - це масивна кортикостероїдна терапія;

ПРАВИЛО 5: ЯКЩО рівень глюкози в крові в нормі, ТА в анамнезі вказується на вживання алкоголю - ТОДІ ацетонурія - це алкогольна інтоксикація;

ПРАВИЛО 6: ЯКЩО рівень глюкози в крові в нормі, ТА в анамнезі вказується на першу половину вагітності - ТОДІ ацетонурія - це блювання при токсикозі першої половини вагітності;

ПРАВИЛО 7: ЯКЩО рівень глюкози в крові в нормі, ТА в анамнезі вказується на зоб, тахікардію - ТОДІ ацетонурія - це ДТЗ;

ПРАВИЛО 8: ЯКЩО рівень глюкози в крові в нормі, ТА в анамнезі вказується на інтоксикацію, інфекцію, травму мозку - ТОДІ ацетонурія - це інтоксикація, інфекція, травма мозку;

ПРАВИЛО 9: ЯКЩО рівень глюкози в крові в нормі, ТА в анамнезі вказується на хірургічне втручання - ТОДІ ацетонурія - це післяопераційний період;

ПРАВИЛО 10: ЯКЩО рівень глюкози в крові в нормі, ТА в анамнезі вказується на початок захворювання в дитячому віці (нудота, блювання, біль у животі) - ТОДІ ацетонурія - це ацетонемічне блювання;

ПРАВИЛО 11: ЯКЩО рівень глюкози в крові в нормі, ТА в анамнезі вказується на тривалий безсимптомний перебіг хвороби, що має спадковий характер - ТОДІ ацетонурія - це ниркова глюкозурія;

ПРАВИЛО 12: ЯКЩО рівень глюкози в крові знижений, ТА в анамнезі вказується на передозування інсуліну - ТОДІ ацетонурія - це інсулінова гіпоглікемія;

ПРАВИЛО 13: ЯКЩО рівень глюкози в крові знижений, ТА в анамнезі вказується на початок захворювання в дитячому віці, збільшення печінки - ТОДІ ацетонурія - це глікогеноз;

ПРАВИЛО 14: ЯКЩО рівень глюкози в крові знижений, ТА в анамнезі вказується на тривале утримання від їжі - ТОДІ ацетонурія - це тривале голодування;

ПРАВИЛО 15: ЯКЩО рівень глюкози в крові знижений, ТА в анамнезі вказується на недостатність вуглеводів протягом тривалого часу - ТОДІ ацетонурія - це безвуглеводна дієта;

ПРАВИЛО 16: ЯКЩО рівень глюкози в крові знижений, ТА в анамнезі вказується на вживання алкоголю, запах алкоголю із рота - ТОДІ ацетонурія - це алкогольна інтоксикація.

Приклад роботи такої програми (питання - відповідь - логічний висновок): експертна система діабет ацетонурія

Дії користувача в роботі з програмою показані великими літерами.

У деяких випадках зручно говорити про систему знань як про дерево рішень, де вершини відповідають фактам, а гілки визначають перехід від одних фактів до інших відповідно до правил.

За використання формально-логічних моделей можливе описання лише узагальнених знань про дійсність. Тому в чистому вигляді логічне розмірковування не зовсім підходить для відображення всієї сукупності знань в інтелектуальних системах. Але ЕС на базі таких моделей, що розглядалися, знаходять широке застосування в клінічній практиці та навчальному процесі, оскільки вони сприяють розвитку клінічного і логічного мислення користувача.

Продукційне правило для ЕС логіко-ймовірнісних моделей має вигляд:

S ^ (B, ю), де В - елементарний факт, ю- оцінка правдоподібності висунутої гіпотези.

Якщо оцінка ю - ймовірності, тоді ця схема визначає логіко-ймовірнісний висновок; якщо ю - числові значення (граничні), тоді говорять про приблизний висновок; якщо ю - словесні оцінки, тоді висновок називають розмитим (нечітким).

Наведемо приклад продукційного правила, що використовується в класичній ЕС - MYCIN:

" Якщо мікроорганізм культивується на кров'яному ангарі, ТА конкретна природа мікроорганізму недостовірна, ТА штам його грам-негативний, ТА за своєю морфологією цей мікроорганізм - це паличка, ТА в пацієнта був тяжкий опік - ТОДІ маємо деякі підстави ( Р=0,4) вважати, що цей мікроорганізм належить до бактерій виду псевдомонас."

У схемах організації структури управління ЕС, побудованих на таких моделях, найчастіше може використовуватися "стратегія зворотної хвилі" - від мети до даних (результат уже відомий, потрібно знайти причини, що привели до нього).

Оцінка правдоподібності проводиться різними методами, але найчастіше використовують байєсівську оцінку, яка пов'язана з використанням формули Байєса.

Недоліком логіко-ймовірнісних моделей є те, що оцінки правдоподібності суттєво залежать від суб'єктивно заданих для кожного правила умовних імовірностей P(B/S) або числових значень. Крім того, невеликі варіації початкових імовірностей можуть привести до значних змін в оцінці правдоподібності. Подібна нестійкість результату, свавілля в наданні початкових імовірностей звужують галузь застосування такого підходу.

Інформаційна структура, яка називається фреймом, має такий вигляд:

{Ім'я фрейма < Ім'я слота 1, Значення слота 1> <Ім'я слота 2, Значення слота 2> . . . <Ім'я слота k, значення слота k>}.

Значеннями слотів можуть виступати деякі термінальні конструкції типу певних кількісних або якісних значень, посилання на ім'я інших слотів у даному фреймі або в іншому фреймі; посилання з указуванням імен відношення на інші слоти або фрейми, ім'я різних процедур, що були описані в даному слоті. Отже, фрейми становлять собою дуже міцний засіб для представлення знань, але структура фреймів настільки багата, що мало надії на створення ефективних процедур роботи з ними. Відомі нині спеціальні мови програмування, які мають призначення для представлення знань у вигляді фреймів та маніпулювання з ними, не мають високої ефективності. Застосування ж традиційних мов програмування для опису фреймів ще більш неефективне. На прикладі медичних знань фрейм - це назва хвороби, імена слотів - це назви симптомів, а значення слотів - це значення симптомів.

В основі семантичних моделей представлення знань лежить поняття мережі. Семантичні мережі, як і дерева рішень, складаються із вузлів та ліній, що їх з'єднують, зі стрілками (дугами). Вершини мереж представляють деякі об'єкти, події, процеси, явища (для медичних знань - це назви симптомів, їхнє значення); а дуги, що їх зв'язують - відношення між ними. Вершини можуть мати внутрішню структуру, тоді мережа називається ієрархічною. Недоліками цієї моделі вважають відсутність ефективних засобів для представлення та маніпулювання знаннями.

Неможливо однозначно висловитися на користь тієї чи іншої моделі. З успіхом можуть бути використані ЕС із різними способами представлення знань. Якщо накопичено достатній статистичний матеріал, тоді можна рекомендувати імовірнісні моделі представлення даних або логіко-ймовірні моделі представлення знань. Для діагностики хвороб у типових випадках можна застосувати ЕС, які побудовані на алгоритмічних або формально- логічних моделях. Якщо маємо комп'ютерний архів, тоді можна використати метод пошуку клінічного прецеденту. Фреймові моделі та семантичні мережі будемо використовувати тоді, коли з'являться ефективні засоби роботи з ними.

Размещено на Allbest.ru