Применение методов правдоподобных рассуждений на основе аналогий и прецедентов в системах искусственного интеллекта

Размещено на http://www.allbest.ru/

Применение методов правдоподобных рассуждений на основе аналогий и прецедентов в системах искусственного интеллекта

Варшавский П.Р., к.т.н.; доцент

Московский Энергетический Институт (Технический Университет)

e-mail:varp@appmat.ru

Разработка методов и программных средств, реализующих механизмы правдоподобных рассуждений (рассуждений «здравого смысла») для систем искусственного интеллекта (ИИ), является очень актуальной задачей [1], которая тесно связана с проблемой конструирования интеллектуальных (экспертных) систем [2] типа систем поддержки принятия решений (ИСППР) и, в частности, ИСППР реального времени (РВ), ориентированных на открытые и динамические предметные области [3]. В основе таких систем лежит интеграция способных к адаптации, модификации и обучению моделей представления и оперирования знаниями, ориентированных на специфику предметной области и соответствующий тип неопределенности, что отражает их способность к развитию и изменению своего состояния.

Наличие подобных механизмов рассуждений (индуктивных, абдуктивных, нечетких, аргументации, на основе аналогий и прецедентов) в системах экспертного диагностирования, SCADA-системах и ИСППР РВ для мониторинга и управления сложными объектами (системами, процессами различной природы) позволяет своевременно осуществлять диагностирование проблемной ситуации на объекте и дает возможность лицам, принимающим решения (ЛПР), принимать адекватные и экономически выгодные управляющие воздействия на объект управления с целью нормализации проблемной ситуации.

Наряду с широко используемыми в различных приложениях ИИ (например, при поиске решения в проблемных ситуациях, генерации гипотез о незнакомой предметной области, обобщении накопленного опыта, обучении навыкам принятия решений в нештатных ситуациях и т.д.) методами правдоподобного вывода на основе индукции, абдукции, аргументации [1, 2] активно применяется подход на основе аналогий и прецедентов [4].

Аналогию можно определить как сходство предметов (явлений, процессов) в каких-либо свойствах, а рассуждение по аналогии (AnalogousReasoning, Analogy-BasedReasoning) как метод, позволяющий обнаружить подобие между заданными объектами и, благодаря переносу на основе этого подобия фактов и знаний, справедливых для одного объекта, на другой менее изученный объект, определить способ решения задач либо предсказать новые факты и знания. Именно такой естественный метод вывода человек использует на первых порах, сталкиваясь с неизвестной задачей. Следует подчеркнуть, что заключение, сделанное на основе аналогии, в большинстве случаев может быть признано лишь вероятным (правдоподобным).

Необходимо отметить, что рассуждения на основе прецедентов (накопленного опыта), как и рассуждения на основе аналогий, базируются на понятии сходства (аналогии), однако методы их реализации имеют отличия [4]. В большинстве энциклопедических источников прецедент определяется как случай, имевший место ранее и служащий примером или оправданием для последующих случаев подобного рода, а рассуждение на основе прецедентов(CBR -- Case-BasedReasoning) является подходом, позволяющим решить новую, неизвестную задачу, используя или адаптируя решение уже известной задачи.

Аналогии и прецеденты могут применяться в различных блоках ИСППР РВ (например, для организации поиска решения в проблемных ситуациях или обучения и тренировки оперативно-диспетчерского персонала), что позволяет повысить эффективность принятия решений ЛПР в различных проблемных (аномальных) ситуациях.

В работе основное внимание уделяется способам представления прецедентов и методам их извлечения из библиотеки прецедентов (БП) системы и, в частности, методам извлечения на основе структурной аналогии [5].

МЕТОДЫ РАССУЖДЕНИЙ НА ОСНОВЕ ПРЕЦЕДЕНТОВ

Как отмечалось ранее, CBR-методы базируются на простом тезисе, что подобные задачи (проблемы) решаются подобным образом. В настоящее время CBR-методы стали активно применяться в таких областях, как медицинская диагностика, юриспруденция, мониторинг и диагностика технических систем, поиск решения в проблемных ситуациях и т.д. Данный подход составляет основу машинного обучения и предоставляет широкие возможности для формирования корпоративной памяти.

К основным преимуществам CBR-технологии можно отнести возможность напрямую использовать опыт, накопленный системой, без интенсивного привлечения эксперта в той или иной предметной области, а также возможность исключения повторного получения ошибочного решения. Существенными недостатками данного подхода являются снижение производительности системы при большом количестве прецедентов в БП и невозможность получения решения задач, для которых нет прецедентов в БП системы.

Как правило, CBR-методы включают четыре основных этапа, образующих так называемый CBR-цикл или цикл обучения по прецедентам [6], структура которого представлена на рис. 1.

Рис. 1. Цикл рассуждений на основе прецедентов

правдоподобный рассуждение искусственный интеллект

Основными этапами CBR-цикла являются:

· извлечение наиболее адекватного прецедента для сложившейся ситуации из БП;

· повторное использование извлеченного прецедента для попытки решения текущей проблемы;

· пересмотр и адаптация в случае необходимости полученного решения в соответствии с текущей проблемой;

· сохранение принятого решения как части нового прецедента.

В ряде реализаций CBR-систем с учетом специфики конкретной предметной области и решаемых задач используется упрощенный CBR-цикл [4], в котором исключаются два последних этапа. Таким образом, основная цель использования аппарата прецедентов в рамках ИСППР РВ заключается в выдаче готового решения оператору (ЛПР) для текущей ситуации на основе прецедентов, которые уже имели место в прошлом при управлении данным или подобным объектом.

Выбор метода извлечения прецедентов напрямую связан со способом представления прецедентов в БП. Существуют различные способы представления и хранения прецедентов [7] условно их можно разделить на несколько групп: параметрические; объектно-ориентированные; специальные (в виде деревьев, графов, логических формул и т.д.).

В общем случае прецедент может включать следующие компоненты: описание задачи (проблемной ситуации); решение задачи (диагноз по проблемной ситуации и рекомендации ЛПР); результат (или прогноз) применения решения.

В большинстве случаев для представления прецедентов достаточно простого параметрического представления:

CASE=(x1, x2, … , xn, R),

где x1,…, xn - параметры ситуации, описывающей данный прецедент; x1X1, x2X2,…, xnXn, где n ? количество параметров для описания прецедента, а X1, … , Xn ? области допустимых значений соответствующих параметров, R ? решение (диагноз, рекомендации ЛПР).

Дополнительно может присутствовать описание результата применения найденного решения и дополнительные комментарии. Прецедент может иметь как положительный, так и отрицательный исход применения решения.

Существует целый ряд методов извлечения прецедентов и их модификаций [4, 7]. В случае параметрического представления прецедентов чаще всего используется метод ближайшего соседа (NearestNeighbor) [7], который также широко применяется для решения задач классификации, регрессии, распознавания образов.

ИЗВЛЕЧЕНИЕ ПРЕЦЕДЕНТОВ МЕТОДОМ БЛИЖАЙШЕГО СОСЕДА

Основными преимуществами данного метода являются: простота реализации и универсальность в смысле независимости от специфики конкретной проблемной области.

К существенным недостаткам метода можно отнести сложность выбора метрики для определения степени сходства и прямую зависимость требуемых вычислительных ресурсов от размера БП, а также неэффективность при работе с неполными и «зашумленными» исходными данными [1]. Для устранения отмеченных недостатков существует ряд модификаций метода ближайшего соседа, наиболее известной из которых является метод k-ближайших соседей [4].

В основе метода ближайшего соседа лежит определенный способ измерения степени сходства (близости) прецедента и текущей проблемной ситуации. Говоря формально, необходимо ввести метрику на пространстве параметров (признаков, свойств) для описания прецедентов и текущей ситуации, а затем, определить на основе выбранной метрики расстояние между точками, соответствующими прецедентам, и точкой, соответствующей текущей ситуации, в итоге следует выбрать ближайшую точку (прецедент) к текущей ситуации. Безусловно, эффективность метода ближайшего соседа во многом зависит от выбора метрики. Например, одной из основных метрик для определения расстояния между двумя точками [7]: Евклидово расстояние; Манхэттенская метрика; Расстояние Чебышева; Расстояние Журавлева; Мера сходства по Хэммингу и др. Выбор соответствующей метрики творческая и довольно трудоемкая задача, от успешного решения которой непосредственно зависит результативность поиска решения (извлечения прецедентов).

С учетом специфики систем экспертного диагностирования на базе ИСППР РВ был предложен модифицированный метод ближайшего соседа для извлечения прецедентов из БП [7]. Данная модификация заключается в том, что вводится специальная величина (пороговое значение степени сходства прецедентов из БП и текущей проблемной ситуации), которая задается экспертом или ЛПР, и в результате сравнения выбирается не один единственный ближайший сосед (прецедент), а некоторое множество ближайших соседей, степень сходства которых больше или равна пороговому значению. Это позволяет решить проблему для случая, когда присутствует несколько прецедентов, равноудаленных от текущей ситуации в заданной метрике. Кроме того, в модифицированном методе предусмотрены возможности для учета коэффициентов важности параметров объекта и работы с неполной информацией в исходных данных [7].

Необходимо учитывать, что CBR-методы могут не дать необходимого решения для сложившейся проблемной ситуации. Например, из-за отсутствия подобной ситуации в БП. Часто для решения данной проблемы просто предлагается понизить пороговое значение степени сходства, что влечет за собой ухудшение качества получаемого решения. Второй способ решения указанной выше проблемы связан с возможностью пополнения БП непосредственно в процессе поиска решения. Одним из способов пополнения БП может быть привлечение методов на основе аналогий для обнаружения новых фактов. Кроме того, в случае более сложного структурированного представления прецедентов возникает необходимость использовать для их извлечения методов на основе структурной аналогии.

ИЗВЛЕЧЕНИЕ ПРЕЦЕДЕНТОВ С ПОМОЩЬЮ МЕТОДОВ СТРУКТУРНОЙ АНАЛОГИИ.

Для представления прецедентов рассмотрим возможность использования семантических сетей (СС) [1, 8]. Выбор СС для представления прецедентов связан с их спецификой: возможностью представлять знания более естественным образом, чем в других формализмах и способностью сетей соединять в себе как структурные, так и семантические знания. СС можно рассматривать как теоретико-графовую структуру <V, E> с помеченными вершинами и дугами, где V ? набор вершин, а E ? набор дуг между вершинами. Вершины V соответствуют понятиям, событиям, свойствам предметной области, а дуги E ? отношениям между ними. Классы на СС будем отображать темными круглыми вершинами, объекты светлыми, значения атрибутов темными квадратными вершинами, а светлыми квадратными вершинами будем отображать вершины для описания событий на СС. Дуги (стрелки) без пометки означают отношение принадлежности.

Размещено на http://www.allbest.ru/

Рис. 2. Фрагмент сети для прецедента №1

Более подробно структуру прецедента рассмотрим на примере (рис. 2), взятом из области энергетики ? оперативного управления системой автоматического охлаждения зоны реактора (САОЗ). В данном прецеденте представлена следующая информация: Текущее значение давления в емкости САОЗ 1 (T517B01) соответствует 63, температура корпуса САОЗ 1 (TH11T500) равна 20 и необходимо выдать рекомендацию подпитать первый насос аварийного расхолаживания (TH11D01) борным концентратом 40 г/кг по причине отключения САОЗ 1 из-за закрытия задвижек TH11S24 и TH11S25.

Рис. 3. Структура аналогии с учетом контекста

Для реализации извлечения прецедентов подобной структуры можно воспользоваться методами рассуждений на основе структурной аналогии [8]. Например, методом структурной аналогии с учетом контекста и его модификациями [5]. В данном случае предлагается рассматривать аналогию как четверку <O,C,R,p> (рис. 3), где O является объектом-источником, а R приемником для аналогии, C является пересечением, т.е. объектом, в контексте которого проводится аналогия, в свою очередь p является свойством для определения первоначального контекста.

Алгоритм поиска решения на основе данной структуры аналогии подробно рассмотрен в работе [8]. Наряду с рассмотренным методом для извлечения прецедентов успешно может применяться метод на основе теории структурного отображения (SMT -- Structure-MappingTheory) [4, 5]. Согласно SMT предполагается, что аналогия является отображением знаний базовой области в целевую, базирующимся на системе отношений, которые имеются между объектами базовой и целевой области. Центральным принципом для аналогии в SMT является принцип систематичности. Этот принцип отражает тот факт, что люди предпочитают оперировать некоторой целостной системой взаимосвязанных глубинных отношений, а не простым набором поверхностных и слабо связанных фактов. Для реализации вывода на основе аналогий и формирования наиболее общих соответствий для структурированных представлений базовой и целевой областей, а также обеспечения структурной, независимой от предметной области оценки полученных соответствий используется механизм структурного отображения (SME) [5].

РЕАЛИЗАЦИЯ И ПРИМЕНЕНИЕ МЕХАНИЗМОВ ПРАВДОПОДОБНЫХ РАССУЖДЕНИЙ НА ОСНОВЕ АНАЛОГИЙ И ПРЕЦЕДЕНТОВ

С целью применения механизмов правдоподобных рассуждений на основе аналогий и прецедентов в ИСППР РВ была выполнена программная реализация базовых модулей Конструктора Библиотек Прецедентов (КБП) и Редактора Семантических Сетей (РСС) в среде визуального программирования Borland C++ Builder под операционную систему Windows. РСС предназначен для представления знаний о предметной области (прецедентов) в виде СС и поиска решения (извлечения прецедентов) на основе аналогий в соответствии с представленными выше методами структурной аналогии с учетом контекста и на основе SMT, а также для оценки полученных аналогий. С помощью КБП решаются задачи связанные с организацией БП и реализацией основных этапов CBR-цикла, начиная с формирования структуры БП, ее настройки и заканчивая тестированием с применением CBR-метода и сохранением БП для последующей передачи ее в оперативную эксплуатацию. Кроме того, в КБП имеются средства для выявления противоречий в БП (контрпримеров), а для обобщения накопленного опыта и оптимизации БП используются индуктивные механизмы и, в частности, аппарат деревьев решений [1].

Разработанные программные средства применены в прототипе ИСППР РВ для решения задач экспертной диагностики и оперативного управления сложными объектами на примере подсистем энергоблока ВВЭР-1000 (подсистем компенсации объема (КО) и САОЗ) [9]. Схема функционирования ИСППР РВ с использованием разработанных программных средств приведена на рис. 4.

Под сложным объектом понимается объект типа энергоблока, имеющий сложную архитектуру с различными взаимосвязями, с большим количеством контролируемых и управляемых параметров и малым временем на принятие управляющих воздействий. Для описания сложного объекта и его подсистем используется конечное множество параметров (например, для подсистемы КО используется 79 аналоговых и дискретных параметров, а для САОЗ ? 66 параметров). Состояние объекта характеризуется набором значений этих параметров.

Рис. 4. Схема функционирования ИСППР РВ с КБП и РСС

В оперативном режиме считывание значений параметров с датчиков для всего объекта управления производится системой контроллеров с интервалом не более 4 секунд. За это время необходимо выдать ЛПР (оператору) диагноз по конкретной сложившейся ситуации и дать рекомендацию о необходимости того или иного управляющего воздействия или последовательности воздействий на объект. Диагностирование и обнаружение управляющих воздействий осуществляется на основе экспертных знаний, технологического регламента, оперативных инструкций, анализа архива системы и имевших место аварийных ситуаций [7, 9]. Как правило, для решения указанной задачи используется решатель, функционирующий на основе правил продукционного типа. В случае появления аномальных (нештатных) ситуаций на объекте возникает необходимость применения методов правдоподобных рассуждений, в частности, методов поиска решения на основе аналогий и прецедентов.

В работе рассмотрены методы правдоподобных рассуждений на основе аналогий и прецедентов для систем искусственного интеллекта типа ИСППР РВ. Исследованы различные способы представления и извлечения прецедентов из БП системы. Описаны возможности разработанных программных средств (КБП и РСС), базирующихся на CBR-технологии и методах структурной аналогии.

Реализованные программные средства использованы для решения задач экспертной диагностики в реальном времени и оперативного управления в прототипе ИСППР РВ для помощи оперативно-диспетчерскому персоналу при мониторинге и управлении сложными техническими объектами, разрабатываемом на кафедре Прикладной математики МЭИ (ТУ) совместно с компанией «ТАСМО-БИТ».

Литература

1. Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах. 2-е издание// Под редакцией В.Н. Вагина, Д.А. Поспелова. - М.: Физматлит, 2008.

2. Арский Ю.М., Финн В.К. Принципы конструирования интеллектуальных систем// Информационные технологии и вычислительные системы. - 2008. - №4. - С.4-38.

3. Вагин В.Н., Еремеев А.П. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени// Известия РАН. Теория и системы управления. - 2001. - №6. - С.114-123.

4. Варшавский П.Р., Еремеев А.П. Методы правдоподобных рассуждений на основе аналогий и прецедентов для интеллектуальных систем поддержки принятия решений// Новости искусственного интеллекта. - 2006. - №3. - С.39-62.

5. Варшавский П.Р., Еремеев А.П. Поиск решения на основе структурной аналогии для интеллектуальных систем поддержки принятия решений// Известия РАН. Теория и системы управления. - 2005. - № 1. - С.97-109.

6. Aamodt A., Plaza E. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches// Artificial Intelligence Communications. IOS Press. - 1994. - Vol.7, №1. - P.39-59.

7. Варшавский П.Р. Механизмы правдоподобных рассуждений на основе прецедентов (накопленного опыта) для систем экспертной диагностики// Труды 11-й национальной конференции по искусственному интеллекту с международным участием (Дубна, 28 сентября - 3 октября 2008 г.). - М: URSS, 2008. - Т.2. - С.106-113.

8. Еремеев А.П., Варшавский П.Р. Методы структурной аналогии для интеллектуальных систем поддержки принятия решений реального времени// Интегрированные модели и мягкие вычисления в искусственном интеллекте. Труды III-го Международного научно-практического семинара (Коломна, 15-17 мая 2005 г.). - М.: Физматлит, 2005. - С.81-87.

9. Геловани В.А., Башлыков А.А., Бритков В.Б., Вязилов Е.Д. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. - М.: Эдиториал УРСС, 2001.

Размещено на Allbest.ru