Процесс приобретения знаний сводится к выполнению следующих задач:

-- определению необходимости модификации или расширения знаний (если таковой необходимости нет, то процесс приобретения знаний на этом заканчивается);

-- извлечению новых знаний о предметной области;

-- преобразованию знаний в форму, «понятную» ЭС;

-- модификации знаний системы.

В реализации этих задач могут принимать участие эксперт, инженер по знаниям и ЭС. В зависимости от того, кто выполняет задачу, можно выделить различные модели приобретения знаний.

Простейшая модель, соответствующая ранним стадиям работ по ИИ, когда взаимодействие с системой осуществлял только инженер по знаниям, предполагает решение перечисленных выше задач путем освоения им с помощью эксперта предметной области и последующую разработку системы только инженером по знаниям. Недостаточное знание предметной области не позволяло гарантировать полноту и непротиворечивость приобретенных знаний. Из-за отсутствия разделения системы на базу знаний и механизм вывода сохранить однажды достигнутую непротиворечивость знаний при неизбежных модификациях системы было невозможно.

Рисунок 7. Простейшая модель приобретения знаний

Отделение знаний от программ, оформление их в виде простых информационных структур (баз знаний) позволило организовать взаимодействие эксперта с системой либо непосредственно, либо через инженера по знаниям (см. рисунок 7). База знаний существенно упростила модификацию знаний. В приведенной модели первую и вторую задачи приобретения знаний выполняет эксперт с помощью инженера по знаниям, третью -- инженер по знаниям, четвертую -- ЭС.

Существуют более совершенные модели приобретения знаний, использующие интеллектуальный редактор, обладающий развитыми диалоговыми способностями.

Как же приобрести знания для построения ЭС?

Попытки отчуждения профессиональных знаний предпринимались людьми издавна. Обычно проводилась формализация математическими методами. Те области профессиональных знаний, которые оказались доступными для такого подхода, получили название точных наук. Однако существует множество областей знаний, где строгой формализации математическими методами достичь не удается (медицина, биология, геология и др.). Даже разработанные и функционирующие в рамках АСУ экономико-математические модели зачастую не учитывают множество факторов, которые в силу ряда причин невозможно включить в модель.

Если рассмотреть структуру профессиональных знаний, накопленных человечеством, то станет ясно, что большинство из них индивидуальны, непередаваемы другим лицам (иначе говоря, это профессиональное искусство конкретного высококвалифицированного специалиста в определенной предметной области). Как отмечает Г.Р. Громов [2, с. 83], общую структуру фонда накопленных человечеством профессиональных знаний можно представить в виде быстро сужающейся по высоте пирамиды (рисунок 8), в основании которой -- индивидуально накопленные знания, принципиально не отчуждаемые от их авторов традиционными методами формализации: «Могу сделать, но не знаю, как это объяснить» (I); далее -- знания, которые могут быть переданы в процессе длительной совместной работы: «Делай как я!» (II); знания, передаваемые в процессе педагогической процедуры: «Могу объяснить в течение определенного периода времени, но не уверен, что все можно формально описать» (III); вершину составляют знания, формализованные математическими методами (IV).

Рисунок 8. Структура фонда профессиональных знаний

Известно, что знания подразделяются на декларативные и процедурные, образующиеся в результате осуществления процедур (алгоритмов, программ, аналитических преобразований и т.п.) над фактами как исходными данными. Успех в реализации ЭС тем больше, чем выше удельный вес декларативных знаний по отношению к процедурным. Если же преобладают процедурные знания, значит, имеются следующие трудности:

-- эксперт не может четко сформулировать правила принятия решения;

-- эксперт не желает передавать кому-либо свои знания, методы и правила, сохраняя за собой статус уникального специалиста;

-- в исследуемой предметной области трудно найти эксперта.

Чтобы избежать этого, необходимо знать требования, предъявляемые к эксперту и работающему с ним инженеру по знаниям.

Эксперту должны быть присущи качества:

-- компетентность,

-- умение объяснять свои действия,

-- доброжелательность и некоторые педагогические способности.

Инженер по знаниям должен обладать такими качествами:

-- как общительность, но не навязчивость;

-- высокая компетентность в области ИИ, когнитивность в психологии и других смежных науках;

-- умение настроиться на роль ученика;

-- полинезависимость (стиль познания, при котором рассуждения инженера по знаниям самостоятельны, не зависят от рассуждений эксперта).

Основные этапы, или фазы, приобретения знаний были подробно рассмотрены ранее. Однако хотелось бы подчеркнуть, что приобретение знаний на предварительной фазе является решающим этапом при создании ЭС. К сожалению, именно этот этап наиболее слабо разработан и почти не освещен в специальной литературе.

Главная и практически единственная рекомендация инженеру по знаниям на предварительной фазе заключается в строгом и тщательном документировании деятельности эксперта. Ряд авторов предлагает знания, полученные от эксперта, оформлять в виде отчета, имеющего следующие разделы:

-- общее описание задачи, для решения которой разрабатывается ЭС;

-- перечень ссылок на документы, содержащие детальное описание предметной области;

-- используемые источники знаний;

-- словарь терминов предметной области;

-- описание критериев, оценивающих качество и эффективность выполнения ЭС;

-- описание «сценариев», т.е. детальных примеров, поясняющих решения реальных задач из области экспертизы;

-- описание базовых объектов и отношений;

-- описание основных стратегий.

Среди наиболее известных на сегодняшний день методов получения знаний от экспертов можно выделить четыре.

1. Свободный диалог -- самый простой и распространенный метод. Не требует значительной предварительной подготовки. Недостатком является отсутствие достаточно полного протокола диалога, затрудняющее последующий анализ деятельности эксперта, поэтому данный метод желательно сочетать с методом протоколирования «мыслей вслух».

2. Протоколирование «мыслей вслух» применяется в случае, когда эксперт способен четко и подробно излагать свои мысли. Его использование также не требует значительной предварительной подготовки. Но в отличие от метода свободного диалога в качестве результата совместной деятельности эксперта и инженера по знаниям имеется протокол беседы, что позволяет успешно проводить последующий анализ полученных от эксперта знаний.

3. Метод анкетирования или интервью предполагает достаточную осведомленность инженера по знаниям о предметной области. Заранее продумываются вопросы, которые впоследствии задаются эксперту. Ответы тщательно записываются и анализируются.

4. Экспертные игры -- наиболее сложный из всех вышеперечисленных методов и вместе с тем один из наиболее эффективных. Его использование требует значительной подготовки. Заранее продумываются типичные для данной предметной области ситуации или задачи. Затем, используя уже полученные знания, инженер по знаниям находит решение для каждой ситуации. После этого задачи передаются для решения эксперту. Проверив решение задачи экспертом и сравнив его с подготовленным решением, вносят изменения и дополнения в создаваемую базу знаний. Если база знаний не содержит достаточного числа правил, то можно обойтись без предварительного решения задачи.

Изложенные подходы к организации и построению АРМ, в том числе интеллектуальных, оказывают существенное влияние на гуманизацию процесса общественного производства, освобождение человека от рутинной, механической работы для решения подлинно творческих задач, понимания происходящих в мире процессов, выражения своих мыслей и коммуникации с другими людьми.

1.6 Представление знаний и выводы в экспертных системах

В экспертных системах не только не выбран определенный способ для представления знаний. Как будет показано далее, в них используются самые различные подходы и пока еще не получены оценки, какой из них предпочтительнее. Подобная ситуация сложилась потому, что опыт применения знаний как информации весьма поверхностен и недостаточно определено понятие о том, каким же условиям должно удовлетворять представление знаний. Этот вопрос будет рассмотрен далее, а сначала проанализируем принципы работы экспертной системы на примере продукционных правил -- наиболее простого способа представления знаний. В такой экспертной системе все знания представлены описаниями в форме если -- то. Часть правила если называется посылкой, а то -- выводом или действием.

Рассмотрим правило:

Если (1) Y является отцом X,

(2) Z является братомY,

тo Z является дядей X.

Механизм вывода связывает знания воедино, а затем выводит из последовательности знаний заключение. Положим, например, что в базе знаний вместе с описанными выше знаниями содержатся и такие:

Если (1) Z является отцом X,

(2) Z является отцом Y,

(3) X и Y не являются одним и тем же лицом,

то X и Y являются братьями.

Здесь X, Y, Z -- переменные. Данная запись показывает, что при условии подстановки одинаковых значений в одинаковые переменные, входящие в одинаковые знания, последние будут обладать общностью.

Эта полностью формализованная процедура, использующая такие методы, как согласование образов (при котором устанавливается, совпадают ли между собой две формы представления, предусматривается также получение подстановки переменных, при которой совпадают формы), поиск в базе данных, возврат (возврат к исходному состоянию при неудачной попытке решения), представляет собой механизм выводов. В настоящее время механизмы выводов реализуются программными средствами, однако в ближайшем будущем станет возможным и их аппаратное воплощение.

Если подобным образом задать формализм представления знаний и построить на базе этого представления механизм выводов, аналогичный определенному выше, то на основе знаний в форме, допустимой в данном представлении, можно автоматически выводить заключения. Все это отличается от формализованных процедур (программ) и стандартных данных (баз данных) и позволяет реализовать в системе представление, которое можно использовать более гибко. Фактически, если добавлять новые знания, то, как правило (при условии, что в системе последовательно воплощены принципы обработки знаний), они будут использоваться точно так же, как и до их введения.

Таким образом, выводы (точнее -- дедуктивные выводы) определены как способ применения базы знаний, однако все сказанное выше относится к выводам, базирующимся на продукционных правилах, и если представление знаний будет иметь другой вид, то будет другой и форма выводов. Исходя из этого обстоятельства, ознакомимся с характерными способами представления знаний, используемыми в настоящее время, и с выводами, обусловленными этими способами.

Характерная особенность экспертных систем, отличающая их от традиционных систем обработки информации, -- использование нового вида информации, называемого знаниями. Формализм описания такого рода знаний определяется как представление знаний. Компонент, который использует для решения проблем знания экспертов, описанные в заранее выбранной для них форме представления, является механизмом вывода. В системах с базами знаний, в том числе и экспертных системах, представление знаний выступает как фундаментальное понятие, а решение о выборе способа представления оказывает непосредственное влияние на любую их составную часть. Возможность применения знаний возникла вместе с появлением механизма выводов, а механизм выводов был определен, в свою очередь, из представления знаний. Поскольку представление знаний является средством описания знаний человека, то желательно, чтобы его описательные возможности были как можно выше; с другой стороны, если форма представления становится излишне сложной, то усложняется механизм выводов, при этом не только затрудняется проектирование экспертной системы, но и возникает опасность потери достоверности выполняемых ею действий. В конечном итоге проектирование представления знаний предусматривает выработку всех этих условий, а затем и выбор решения на основе некоторого компромисса между ними. Кратко ознакомимся с отдельными характерными представлениями знаний, используемыми в современных экспертных системах.

Продукционные правила. Продукционные правила, как уже говорилось, описывают знания в форме если -- то. Простота и наглядность этого способа обусловили его применение во многих системах. Системы обработки знаний, использующие представление знаний на основе продукционных правил, получили название продукционных систем. В состав продукционной системы входит база правил, глобальная база данных, интерпретатор правил. База правил -- это область памяти, которая содержит базу знаний -- совокупность знаний, представленных в форме правил вида, если -- то; глобальная база данных -- это область памяти, содержащая фактические данные (факты), которые описывают вводимые данные и состояние системы. Базы данных у различных систем имеют различную форму, однако все они могут быть описаны как группа данных, содержащая имя данных, атрибуты и значения атрибутов. Интерпретатор представляет собой механизм вывода, и он является тем компонентом системы, который формирует заключения, используя базу правил и базу данных (рисунок 9).

Механизм, реализованный сегодня как средство выводов в продукционной системе, в принципе несложен. Он имеет функции поиска в базе знаний, последовательного выполнения операций над знаниями и получения заключений.

Рисунок 9. Продукционная система

В языке экспертных систем термин «правило» имеет более узкое значение, чем при обычном словоупотреблении. Оно связано с наиболее популярным способом представления знаний, т.е. представлением, основанным на правилах. Правила обеспечивают формальный способ представления рекомендаций, указаний или стратегий, они часто подходят в тех случаях, когда предметные знания возникают из эмпирических ассоциаций, накопленных за годы работы по решению задач в данной области. Правила выражаются в виде утверждений, если -- то, как показано ниже:

(1) Если горючая жидкость была пролита, вызовите пожарных;

(2) Если pH жидкости меньше 6, разлившийся материал -- кислота;

(3) Если разлившийся материал -- кислота, и он пахнет уксусом, разлившийся материал -- уксусная кислота.

Эти правила из экспертной системы по управлению кризисной ситуацией помогают определить, что разлитая жидкость -- нефть или какое-то химическое вещество. Правила иногда записываются через стрелку (), чтобы указать, где часть если, а где часть то данного правила. Правило 2 в этих обозначениях будет выглядеть так:

Если pH жидкости меньше 6 разлившийся материал -- кислота.

В экспертных системах, основанных на правилах, предметные знания представляются набором правил, которые проверяются по группе фактов или знаний о текущей ситуации. Когда часть правила если -- то удовлетворяет правилам, то действие, указанное в части то, выполняется. Когда это происходит, то говорят, что правило выполнено. Интерпретатор правил сопоставляет части правил если с фактами и выполняет то правило, часть, если которого согласуется с фактами, как показано на рисунке 10.

Рисунок 10. Работа интерпретатора правил в цикле «сопоставить -- выполнить» с формированием последовательности действий

Действия правила могут состоять в модификации набора фактов в базе знаний, например в добавлении нового факта, как это показано на рисунке 11.

Новые факты, добавленные к базе знаний, сами могут быть использованы для сопоставления с частями правил если, как показано на рисунке 12.

Факты

Рисунок 11. Изменение факта в базе знаний вследствие выполнения правил

Факты

Рисунок 12. Добавление нового факта к базе знаний

Действие, предпринимаемое при выполнении правила, может непосредственно взаимодействовать с внешней средой, как показано на рисунке 13.

Процесс сопоставления с фактами частей если правил может порождать то, что называется цепочкой выводов. Цепочка выводов, полученная в результате последовательного выполнения правил 2 и 3, показана на рисунке 14. Эта цепочка выводов показывает, как система, используя правила, выводит заключение о пролившейся жидкости. Цепочки выводов экспертной системы могут быть предъявлены пользователю, что помогает понять, как система достигает своих заключений.

Рисунок 13. Влияние выполнения правил на реальный мир

Рисунок 14. Цепочка рассуждений для вывода заключения о природе разлитого вещества

Существует два важных способа использования правил в системе, основанной на правилах: один называется прямой цепочкой рассуждения, а другой -- обратной цепочкой рассуждения.

В приведенном выше примере о разлившейся жидкости использовалась прямая цепочка рассуждений.

На рисунке 15 детально показано, как прямая цепочка рассуждений работает в случае простого набора правил.

Правила в этом примере используют буквенные символы F&BZ. Это значит:

Если существуют и ситуация F , и ситуация В, то существует также ситуация Z.

Набор известных фактов мы будем называть базой данных.

Рисунок 15. Пример прямой цепочки рассуждений

Давайте посмотрим, как эти правила работают. Мы допустим, что каждый раз, когда набор правил проверяется относительно базы данных, только первое (самое верхнее) правило, согласующееся с данными, выполняется. Поэтому на рисунок 15 правило А_D выполняется лишь один раз, хотя оно всегда согласуется с базой данных.

Первое правило, которое исполняется, -- это A_D, поскольку А уже находится в базе данных. Как следствие этого правила, выводится факт существования D, и D помещается в базу данных. Это приводит к выполнению второго правила F&E_Z, Z помещается в базу данных.Такой метод называется прямой цепочкой рассуждений, поскольку поиск новой информации происходит в направлении стрелок, разделяющих левые и правые части правил.

Система использует информацию из левых частей, чтобы вывести информацию, содержащуюся в правых частях. Цепочка выводов, полученная в примере, представленном на рисунке 15, изображена на рисунке 16.

Было выведено, что существует ситуация Z наряду с F и D.

Рисунок 16. Цепочка выводов, полученная на основе рассуждений (см. рисунок 15)

Предположим теперь, что вы использовали эту систему, чтобы установить, существует ли ситуация Z. Вы можете думать, что она работает вполне хорошо, быстро устанавливая, что Z действительно существует. К сожалению, это лишь артэффект, связанный с данным примером. У реально существующих экспертных систем было бы не три правила, а сотни, даже тысячи. Поэтому, если ваша цель состоит в том, чтобы установить один частный факт, вроде Z, то прямая цепочка рассуждений может оказаться напрасной тратой времени и денег.

В таких ситуациях обратная цепочка, возможно, будет наиболее рентабельной. При этом методе вывода система начинает с доказательства, например, того, что ситуация Z существует и выполняет только те правила, которые относятся к установлению этого факта. На рисунке 17 показано, как обратная цепочка рассуждений должна работать, используя правила из прямой цепочки рассуждений.

На шаге 1 системе дается команда установить (если она может), что ситуация Z существует. В поисках Z система сначала проверит базу данных и в случае неудачи будет искать среди правил то, которое приводит к установлению Z, т.е. правило, у которого Z стоит справа от стрелок.

Она находит правило F&B_Z и решает, что должна установить факты F и B, чтобы выйти на Z. На шаге 2 система пытается установить факты F, проверяя базу данных, а затем находит правило, в правой части которого стоит F. Из правила C&D_F система решает, что должна установить существование фактов С и D для получения заключения о F. На шагах 3--5 система находит С в базе данных, но решает, что должна установить факт А, прежде чем она получит заключение о D. И затем она находит факт А в базе данных.

Рисунок 17. Пример обратной цепочки рассуждений

На шагах 6--8 система выполняет третье правило, чтобы установить D, затем выполняет второе правило, чтобы установить F, и, наконец, выполняет первое правило, чтобы установить основной факт -- факт существования Z.

Цепочка выводов, созданная здесь, идентична той, что была получена в результате прямой цепочки рассуждений. Отличие этих подходов заключается в способе поиска правил и данных.

Знаниями можно называть описание отношений между абстрагированными понятиями и сущностями, выступающими конкретными объектами реального мира. Понятия и отношения между ними можно описать сетью, состоящей из узлов и дуг. Узлы в такой сети выражают сущности и понятия, а дуги являются описаниями их отношений; все узлы снабжены метками, которые показывают, что именно они описывают. Подобного рода формализм представления знаний получил название семантической сети. На рисунке 18 приведен пример данного метода представления. Этот рисунок описывает ситуацию, когда под некоторый объект заказываются детали и стоимость этих деталей должна быть выплачена поставщику.

Рисунок 18. Пример семантической сети

Термин «семантическая сеть» применяется для описания метода представления знаний, основанного на сетевой структуре. Семантические сети были первоначально разработаны для использования их в качестве психологических моделей человеческой памяти, но теперь это стандартный метод представления знаний в экспертный системах. Семантические сети состоят из точек, называемых узлами, и связывающих их дуг, описывающих отношения между узлами. Узлы в семантических сетях соответствует объектам, концепциям или событиям. Дуги могут быть определены разными методами, зависящими от вида представления знаний. Обычно дуги, используемые для представления иерархии, включают дуги типа «isa» («является») и «has-part» («имеет часть»). Семантические дуги, применяемые для описания естественных языков, состоят из дуг типа «агент», «объект», «реципиент». На рисунке 19 представлена структура семантической сети.

Рисунок 19. Структура семантической сети

Название «семантическая сеть» не только отражает возможность получения определенного формализма, как это имеет место в продукционных системах, оно охватывает все то, что рассмотрено выше, составом отношений сущностей и понятий. Следовательно, методы реализации конкретной системы различаются в зависимости от того, каким образом используется в них представление знаний.

Специфические свойства семантических сетей обусловили их широкую популярность среди исследователей как средство умозаключений, а среди структур данных, нашедших применение в компьютерах, используются структуры такого же вида, что и семантические сети.

Сейчас трудно точно установить, кто первым воспользовался сетями, однако хорошо известно, что Куиллиман использовал семантику терминов для описания отношений концептов (понятий) на самых ранних этапах исследований по прикладному искусственному интеллекту, когда сети служили вполне определенной цели -- представлению семантики и знаний [5].

Куиллиман, исходя из описания семантики одних терминов другими, представил в виде сети отношения концептов, присущих этим терминам. На рисунок 20 показана такая сеть. Он поставил перед собой задачу сетевого представления и снижения объема знаний при использовании сети с целью решения проблем.

Рисунок 20. Семантическая сеть Куиллимана: отн. -- отношения, С -- сущность, об. -- объект, явл. -- является

Исходя из того факта, что если в сети задан один концепт, то непосредственно получается и другой, находящийся с ним в тесной взаимосвязи, были проведены исследования (главным образом в области психологии) по применению семантических сетей как ассоциативных моделей.

В качестве простого примера рассмотрим предложения «"Красная заря" является фабрикой» и «Каждая фабрика является предприятием». Они могут быть представлены через семантическую сеть, как показано на рисунок 21. Этот пример использует важный тип дуг -- является. Поскольку мы знаем свойства дуг, связывающих узлы, мы можем вывести из сети третье утверждение: «"Красная заря" является предприятием». Отношение является и другие (типа имеет часть) устанавливают свойство иерархии наследования в сети -- «является предприятием». Это означает, что элементы более низкого уровня в сети могут наследовать свойства элементов более высокого уровня. При этом экономится память, поскольку информацию он является сходных узлов не нужно повторять в каждом узле сети. Она может размещаться в одном центральном узле сети, как показано на рисунке 22.

Рисунок 21. Семантическая сеть для предложений «Каждая фабрика является предприятием» и «"Красная заря" является фабрикой»

Например, в семантической сети, представляющей предприятие, такие его части, как управление, дирекция, включены один раз на уровне предприятия, вместо того чтобы повторять данные узлы на более низком уровне иерархии. Это может сберечь огромные объемы памяти, даже если мы работаем с несколькими предприятиями и их частями.

Рисунок 22. Простая семантическая сеть для понятия «предприятие»: и. ч. -- имеет часть, явл. -- является

По сети можно затем осуществить поиск, применяя знания о смысле отношений, обозначаемых дугами сети, чтобы устанавливать факты. Семантические сети также успешно используются в научных работах по естественному языку для представления сложных грамматических предложений (рисунок 23, 24).