Экспертные системы в экономике

Размещено на http://www.allbest.ru/

Реферат

Экспертные системы в экономике

Оглавление

Введение

1. Экспертные системы, их особенности и состав

2. Базы знаний экспертных систем

Заключение

Литература

Введение

Экспертные системы возникли как значительный практический результат в применении и развитии методов искусственного интеллекта - совокупности научных дисциплин, изучающих методы решения задач интеллектуального (творческого) характера с использованием ЭВМ. Область искусственного интеллекта имеет более чем сорокалетнюю историю развития. С самого начала в ней рассматривался ряд весьма сложных задач, которые, наряду с другими, и до сих пор являются предметом исследований: автоматические доказательства теорем, машинный перевод, распознавание изображений и анализ сцен, планирование действий роботов, алгоритмы и стратегии игр.

Экспертная система - это набор программ, выполняющий функции эксперта при решении задач из некоторой предметной области. Экспертные системы выдают советы, проводят анализ, дают консультации, ставят диагноз. Практическое применение экспертных систем на предприятиях способствует эффективности работы и повышению квалификации специалистов. Главным достоинством экспертных систем является возможность накопления знаний и сохранение их длительное время. В отличие от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы.

При создании экспертных систем возникает ряд затруднений. Это, прежде всего, связано с тем, что заказчик не всегда может точно сформулировать свои требования к разрабатываемой системе. Также возможно возникновение трудностей чисто психологического порядка: при создании базы знаний системы эксперт может препятствовать передаче своих знаний, опасаясь, что впоследствии его заменят «машиной». Но эти страхи не обоснованы, так как экспертные системы не способны обучаться, они не обладают здравым смыслом, интуицией. Но в настоящее время ведутся разработки экспертных систем, реализующих идею самообучения. Также экспертные системы неприменимы в больших предметных областях и в тех областях, где отсутствуют эксперты.

Причиной повышенного интереса, который экспертные системы вызывают к себе на протяжении всего своего существования, является возможность их применения к решению задач из самых различных областей человеческой деятельности.

1. Экспертные системы, их особенности и состав

искусственный интеллект экспертный база знание

Экспертные системы - это яркое и быстро прогрессирующее направление в области искусственного интеллекта.

Искусственный интеллект - самое молодое научное направление. Появление его было подготовлено развитием мощности вычислительных машин. Искусственный интеллект занимает исключительное положение. Это связано со следующим:

- часть функций программирования в настоящее время оказалось возможным передать машине. При этом общение с машиной происходит на языке, близком к разговорному. Для этого в ЭВМ закладывают огромную базу знаний, способы решения, процедуры синтеза, программы, а также средства общения, позволяющие пользователю легко общаться с ЭВМ.

- в связи с внедрением ЭВМ во все сферы человеческой жизни становится возможным переход к безбумажной технологии обработки информации. Если раньше производство ориентировалось на обязательное участие человека, то в настоящее время находят применение безлюдные технологии, основанные на роботизации и автоматизации системы управления.

Интеллектуальные системы в настоящее время начинают занимать ведущее положение в проектировании образцов изделий. Часть изделий невозможно спроектировать без их участия.

Системы, относящиеся к системам искусственного интеллекта в настоящее время: экспертные системы. Первые системы, которые нашли широкое применение. Их элементы используются в системах проектирования, диагностики, управления и играх. Основаны на вводе знаний высококвалифицированных специалистов (экспертов) в ЭВМ и разработке специальной системы по их использованию. Системы естественно-языкового общения (подразумевается письменная речь) позволяют производить обработку связанных текстов по какой-либо тематике на естественном языке.

Экспертная система - это набор программ или программное обеспечение, которое выполняет функции эксперта при решении какой-либо задачи в области его компетенции. Экспертная система, как и эксперт-человек, в процессе своей работы оперирует со знаниями. Знания о предметной области, необходимые для работы экспертных систем, определённым образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться и дополняться в процессе развития системы.

Экспертные системы выдают советы, проводят анализ, выполняют классификацию, дают консультации и ставят диагноз. Они ориентированы на решение задач, обычно требующих проведения экспертизы человеком-специалистом. В отличие от машинных программ, использующий процедурный анализ, экспертные системы решают задачи в узкой предметной области (конкретной области экспертизы) на основе дедуктивных рассуждений. Такие системы часто оказываются способными найти решение задач, которые неструктурированны и плохо определены. Они справляются с отсутствием структурированности путём привлечения эвристик, то есть правил, взятых «с потолка», что может быть полезным в тех системах, когда недостаток необходимых знаний или времени исключает возможность проведения полного анализа.

Главное достоинство экспертных систем - возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов. Накопление знаний позволяет повышать квалификацию специалистов, работающих на предприятии, используя наилучшие, проверенные решения. Практическое применение искусственного интеллекта на машиностроительных предприятиях и в экономике основано на экспертных системах, позволяющих повысить качество и сохранить время принятия решений, а также способствующих росту эффективности работы и повышению квалификации специалистов.

Существует множество классификаций экспертных систем. Рассмотрим некоторые из них.

Интерпретация данных - это одна из традиционных задач для экспертных систем. Под интерпретацией понимается определение смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.

Пример:

- обнаружение и идентификация различных типов океанских судов - SIAP;

- определение основных свойств личности по результатам психодиагностического тестирования в системах АВТАН-ТЕСТ и МИКРОЛЮШЕР и других.

Диагностика. Под диагностикой понимается обнаружение неисправности в некоторой системе. Неисправность - это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является необходимость понимания функциональной структуры («анатомии») диагностирующей системы.

Пример:

- диагностика и терапия сужения коронарных сосудов - ANGY;

- диагностика ошибок в аппаратуре и математическом обеспечении ЭВМ - система СRIB и другие.

Мониторинг. Основная задача мониторинга - непрерывная интерпретация данных в I реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы - «пропуск» тревожной ситуации и инверсная задача «ложного» срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учёта временного контекста.

Пример:

- контроль за работой электростанций СПРИНТ, помощь диспетчерам атомного реактора - REACTOR;

- контроль аварийных датчиков на химическом заводе - FALCON и другие.

Проектирование. Проектирование состоит в подготовке спецификаций на создание «объектов» с заранее определёнными свойствами. Под спецификацией понимается весь набор необходимых документов - чертёж, пояснительная записка и так далее. Основные проблемы здесь - получение чёткого структурного описания знаний об объекте и проблема «следа». Для организации эффективного проектирования и, в ещё большей степени, перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей экспертной системы: процесс вывода и процесс объяснения.

Прогнозирование. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких экспертных системах используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

Обучение. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе способны диагностировать слабости в знаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на системы, решающие задачи синтеза. Основное отличие задач анализа от задач синтеза заключается в следующем: если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально строится из решений компонентов или подпроблем. Задача анализа - это интерпретация данных, диагностика; к задачам синтеза относятся проектирование, планирование. Комбинированные задачи: обучение, мониторинг, прогнозирование.

Статические экспертные системы разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени. Они стабильны.

Квазидинамические экспертные системы интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.

Пример. Микробиологические экспертные системы, в которых снимаются лабораторные измерения с технологического процесса один раз в 4-5 ч. и анализируется динамика полученных показателей по отношению к предыдущему измерению.

Динамические экспертные системы работают в сопряжении с датчиками объектов в режиме реального времени с непрерывной интерпретацией поступающих данных.

Пример. Управление гибкими производственными комплексами, мониторинг в реанимационных палатах и так далее.

На сегодняшний день классификации по типу ЭВМ существуют:

- экспертные системы для уникальных стратегически важных задач на суперЭВМ (Эльбрус, CRAY, CONVEX и другие.);

- экспертные системы на ЭВМ средней производительности (типа mainfrave);

- экспертные системы на символьных процессорах и рабочих станциях (SUN, АРОLLО);

- экспертные системы на мини- и супермини-ЭВМ (VАХ, micro-VАХ и другие);

- экспертные системы на персональных компьютерах (IВМ РС, МАС II и подобные).

Автономные экспертные системы работают непосредственно в режиме консультаций с пользователем для специфических «экспертных» задач, для решения которых не требуется привлекать традиционные методы обработки данных (расчёты, моделирование и так далее).

Гибридные экспертные системы представляют программный комплекс, агрегирующий стандартные пакеты прикладных программ (например, математическую статистику, линейное программирование или системы управления базами данных) и средства манипулирования знаниями. Это может быть интеллектуальная надстройка над ППП или интегрированная среда для решения сложной задачи с элементами экспертных знаний.

Несмотря на внешнюю привлекательность гибридного подхода, следует отметить, что разработка таких систем подразумевает собой задачу, на порядок более сложную, чем разработка автономной экспертной системы. Стыковка не просто разных пакетов, а разных методологий (что происходит в гибридных системах) порождает целый комплекс теоретических и практических трудностей.

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение.

Типичная экспертная система состоит из следующих основных компонентов: решателя (интерпретатора), рабочей памяти (РП), называемой также базой данных (БД), базы знаний (БЗ), компонентов приобретения знаний, объяснительного и диалогового компонентов.

2. Базы знаний экспертных систем

Одним из компонентов ЭС является база знаний (БЗ), предназначенная для хранения долгосрочных данных, описывающих определенную предметную область, и правил, описывающих целесообразные преобразования данных этой области.

При создании базы знаний необходимо описать смысловое содержание предметной области. Следует иметь такую форму описания знаний, которая гарантирует их обработку формальными методами. Под созданием БЗ будем понимать представление знаний в виде некоторой статичной структуры в памяти компьютера.

Создание БЗ осуществляется в несколько этапов.

На первом этапе проводится определение предметной области, по которой разрабатывается база знаний.

Следующий этап - это этап извлечение знаний. Извлечение знаний представляет собой процедуру взаимодействия эксперта с инженером по знаниям. В результате этой процедуры становятся явными процесс рассуждений эксперта при принятии решения и структуру его представлений о предметной области. Процесс извлечения знаний - это длительная и трудоёмкая процедура, в которой инженеру по знаниям, вооружённому специальными знаниями по когнитивной психологии, системному анализу, математической логике и пр., необходимо создать модель предметной области, которой пользуются эксперты для принятия решения. В голове эксперта связи установлены, хотя часто и неявно; задача инженера - выявить последовательность умозаключений эксперта.

Далее на этапе структурирования структурируются собранные знания. Большинство специалистов по искусственному интеллекту и когнитивной психологии считают, что основная особенность естественного интеллекта и памяти - это связанность всех понятий в некоторую сеть. Поэтому для разработки базы знаний нужен не словарь, а энциклопедия, в которой все термины объяснены в словарных статьях со ссылками на другие термины, должна быть выстроена иерархия понятий.

Иерархия понятий - это глобальная схема, которая закладывается в основу анализа структуры знаний любой предметной области.

При выстраивании структуры знаний необходимо определить терминологию, список основных понятий и их атрибутов, отношения между понятиями, структуру входной и выходной информации, стратегию принятия решений, ограничения стратегий и так далее. В результате все собранное - это не разрозненные определения и понятия, а система взаимосвязанных элементов, то есть знание о предметной области.

На следующем этапе полученные знания описываются на одном из языков представления знаний. Затем разработанная БЗ реализуется на компьютере.

Подготовка учебного материала в соответствии с перечисленными этапами построения баз знаний будет выглядеть следующим образом.

Уточнение предметной области. На данном этапе выбирается конкретная тема по научной дисциплине, учебный материал (в дальнейшем - материал) которой надо представить в базе знаний.

Извлечение знаний. На этом этапе происходит извлечение знаний по выбранной теме из доступных источников информации, то есть собирается материал. Источниками фактов, понятий, законов и так далее являются учебники, справочники, материалы конкретных исследований в рассматриваемой предметной области.

Структурирование знаний. Этот этап необходим для выявления структуры собранного материала и имеющихся знаний по выбранной теме предметной области. Здесь определяются терминология, список основных понятий и их атрибутов, классифицируются понятия по их содержанию, устанавливаются логические связи и отношения между понятиями, и так далее. Из вышесказанного следует, что материал, который входит в базу знаний, должен быть представлен системой. Поэтому при разработке учебного материала для представления его в базе знаний целесообразно применять системный анализ. При этом осуществляется следующее.

Делается допущение, что интересующая тема представляет собой сложную целостную систему.

Анализируется содержание и состав выбранной темы.

Тема разделяется на блоки, блоки - на подблоки и таким образом деление доводится до элементарного уровня (понятия, явления и т.п.). Необходимо учитывать, что содержимое одного блока - это не содержание отдельного параграфа, главы или раздела учебников.

Устанавливаются связи между элементами, подблоками и блоками, т.е. определяется структура системы. Определяются системообразующие (внутренние) связи и системообразующий элемент, т.е. те связи и элемент, без которых не будет реализовываться целостность системы. Характеризуется каждый элемент системы.

Созданная система рассматривается как составляющая другой системы, поэтому устанавливаются связи с другим учебным материалом.

Представление учебного материала в формальном виде, может быть реализовано в виде графа, таблицы, текста, структурно-логической схемы и/или другими наглядными способами. Наглядное представление материала позволяет судить о том, на сколько собранный материал по данной теме целостен, взаимосвязан, обобщен, структурирован. Далее выбирается модель представления знаний в базе знаний.

База знаний может быть разработана на языке Пролог.

Модели представления знаний: логические модели представления знаний реализуются средствами логики предикатов. Предикатом называется функция, принимающая только два значения - истина и ложь - и предназначенная для выражения свойств объектов или связей между ними. Выражение, в котором утверждается или отрицается наличие каких-либо свойств у объекта, называется высказыванием. Наиболее простым языком логики является исчисление высказываний, в котором отсутствуют переменные. Любому высказыванию можно приписать значение истинно или ложно. Отдельные высказывания могут соединяться связками И, ИЛИ, НЕ, которые называются булевыми операторами.

В общем случае модели, основанные на логике предикатов, описываются формальной системой, которая задается четверкой:

М = (Т, Р, А, П),

где Т - множество базовых элементов или алфавит формальной системы;

Р - множество синтаксических правил, с помощью которых можно строить синтаксически корректные предложения;

А - множество аксиом или некоторых синтаксически правильных предложений, заданных априорно;

П - правила продукций (правила вывода или семантические правила), с помощью которых можно расширять множество А, добавляя в него синтаксически правильные предложения.

Главное преимущество логических моделей представления знаний заключается в возможности непосредственно запрограммировать механизм вывода синтаксически правильных высказываний. Логические модели удобны для представления логических взаимосвязей между фактами, они формализованы, строги (теоретические), для их использования имеется удобный и адекватный инструментарий, например, язык логического программирования Пролог.

В основе логического способа представления знаний лежит идея описания знаний о предметной области в виде некоторого множества утверждений, выраженных в виде логических формул, и получение решения построением вывода в некоторой формальной (дедуктивной) системе.

Знания, которые могут быть представлены с помощью логики предикатов, являются либо фактами, либо правилами. При использовании логических методов сначала анализируется структура предметной области, затем выбираются соответствующие обозначения и в заключении формируются логические формулы, представляющие собой закономерности рассматриваемой области. Множество таких формул является логической программой, содержащей информацию о ПО.

Например, в качестве языка логического программирования можно использовать ПРОЛОГ, а совокупность логических формул, состоящую из запроса, множества предложений программы и интерпретатора языка, можно рассматривать как алгоритм решения задач приложений.

Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа: Если (условие), то (действие).

Под условием понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под действием - действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы).

Продукционные системы делят на два типа - с прямыми и обратными выводами. При прямом выводе рассуждение ведется от данных к поиску цели, а при обратном производится поиск доказательства или опровержения некоторой цели - к данным. Часто используются комбинации прямой и обратной цепи рассуждений. Данные - это исходные факты, на основании которых запускается машина вывода - программа, перебирающая правила из базы.

Продукции выгодны для выражения знаний, которые могут принимать форму перехода между состояниями:

- ситуация ® действие;

- посылка ® заключение;

- причина ® следствие.

Продукции по сравнению с другими формами представления знаний имеют следующие преимущества:

- модульность;

- наглядность;

- единообразие структуры (основные компоненты продукционной системы могут применяться для построения интеллектуальных систем с различной проблемной ориентацией);

- естественность (вывод заключения в продукционной системе во многом аналогичен процессу рассуждений эксперта);

- легкость внесения дополнений и простота механизма логического вывода;

- гибкость родовидовой иерархии понятий, которая поддерживается только как связи между правилами (изменение правила влечет за собой изменение в иерархии).

Недостатки:

- процесс вывода менее эффективен, чем в других системах, поскольку большая часть времени при выводе затрачивается на непроизводительную проверку применимости правил;

- этот процесс трудно поддается управлению;

- сложно представить родовидовую иерархию понятий.

Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, отражающей поставленный запрос к базе. Преимущества заключаются в простоте и наглядности описания предметной области. Также недостатками семантических сетей является сложность обработки различного рода исключений.

Фрейм (англ. frame - каркас или рамка) предложен М. Минским в 70-е гг. как структура знаний для восприятия пространственных сцен. Фрейм (дословно - «рамка») - это единица представления знаний, детали которой могут изменяться в соответствии с текущей ситуацией. Фрейм - это минимально возможное описание сущности какого-либо явления, события, ситуации, процесса или объекта. Фрейм - это абстрактный образ для представления некоего стереотипа восприятия. В психологии и философии известно понятие абстрактного образа. В теории фреймов такой образ называется фреймом. Фреймом называется также и формализованная модель для отображения образа.

Важнейшим свойством теории фреймов является заимствованное из теории семантических сетей наследование свойств. И во фреймах, и в семантических сетях наследование происходит по АКО-связям (A-Kind-Of = это). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, т.е. переносятся, значения аналогичных слотов. Основным преимуществом фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека, а также ее гибкость и наглядность.

Специальные языки представления знаний в сетях фреймов FRL (Frame Representation Language)и другие позволяют эффективно строить промышленные ЭС. Широко известны такие фреймо-ориентированные экспертные системы, как ANALYST, МОДИС

Заключение

Экспертные системы являются наиболее известным и распространённым видом интеллектуальных систем. Как и любые другие системы, они имеют ряд своих особенностей:

- экспертные системы ориентированы на решение широкого круга задач в неформализованных областях, на приложения, которые до недавнего времени считались малодоступными для вычислительной техники.

- с помощью экспертных систем специалисты, не знающие программирования, могут самостоятельно разрабатывать интересующие их приложения, что позволяет резко расширить сферу использования вычислительной техники.

- при решении практических задач экспертные системы достигают результатов, не уступающих, а иногда и превосходящих возможности людей-экспертов, не оснащённых ЭВМ.

Особенно широкое применение экспертные системы получили в медицине, математике, машиностроении, химии, геологии, вычислительной технике, бизнесе, законодательстве, обороне. А также в настоящее время особенно актуально использование экспертных систем в таких приложениях, как образование, психолого-педагогическая диагностика и тестирование.

Экспертные системы строятся для решения широкого круга проблем в таких областях, как:

- прогнозирование - проектирование возможных последствий данной ситуации.

- диагностика - определение причин неисправностей в сложных ситуациях на основе наблюдаемых симптомов.

- проектирование - нахождение конфигурации компонентов системы, которая удовлетворяет целевым условиям и множеству проектных ограничений.

- планирование - разработка последовательности действий для достижения множества целей при данных начальных условиях и временных ограничениях.

- мониторинг - сравнение наблюдаемого поведения системы с её ожидаемым поведением.

- инструктирование - помощь в образовательном процессе по изучению технической области.

- управление - управление поведением сложной среды.

Таким образом, проблема разработки и использования экспертных систем является весьма актуальной в современном обществе.

Литература

1. Джарратано Д. Экспертные системы: принципы разработки и программирование - 4-е изд. ? 2006.

2. Ясницкий Л.Н. Введение в искусственный интеллект. ? 2005.

3. Гаскаров Д.Б. Интеллектуальные информационные системы. ? 2003.

Размещено на Allbest.ru