Некоторые подходы к моделированию НЕ-факторов знаний в обучающих интегрированных экспертных системах

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Московский инженерно-физический институт (государственный университет)

Некоторые подходы к моделированию НЕ-факторов знаний в обучающих интегрированных экспертных системах

Рыбина Г.В., д.т.н., профессор

Бороздин Д.С.

Рудаков А.А.

Введение

Задачно-ориентированная методология (ЗОМ) построения интегрированных экспертных систем (ИЭС), предложенная в середине 90-х годов [1], и поддерживающий ее инструментарий нового поколения комплекс АТ-ТЕХНОЛОГИЯ позволяют осуществлять разработку в том числе широкого класса обучающих ИЭС [1,2], обладающих развитыми интеллектуальными средствами обучения, мониторинга и тестирования обучаемых. Современная веб-ориентированная версия (веб-версия) может выступать в качестве автоматизированного рабочего места, например, для преподавателей-предметников по инженерным и специальным дисциплинам, т.е. тем дисциплинам, для которых целесообразно создавать обучающие веб-ИЭС по типу тренажеров наставнического типа с целью сохранения уникальных неформализованных методик (НФ-методик) и опыта преподавания конкретных курсов или дисциплин [1,2].

Анализ опыта применения ЗОМ и комплекса АТ-технология для разработки и использования обучающих веб-ИЭС в учебном процессе МИФИ именно для целей обучения показал, что, с одной стороны, полностью реализуется мощная функциональность самых современных интеллектуальных обучающих систем (ИОС) (построение модели обучаемого, адаптивной модели обучения, модели проблемной области (ПрО), модели объяснения, модели преподавателя [1,2]), а с другой - приобретаются все основные черты современной клиент-серверной архитектуры, такие как независимость систем от платформы, простота обновления информации, удобство в администрировании и технической поддержке, что, в частности, значительно упрощает процессы аккумулирования знаний преподавателей-предметников.

Однако наибольший интерес и новый взгляд на возможности применения технологии веб?ИЭС и традиционных экспертных систем (ЭС) для поддержки НФ-методик в учебном процессе представляет опыт реализации модели обучения в части использования обучающих воздействий типа «Тренинг с ЭС» [1,2]. В работе [2] были приведены «за» и «против», связанные с использованием ЭС в чистом виде для целей обучения, и показано, что концепция ЭС включает в себя значительно больше, чем просто представление и обработка знаний о ПрО - здесь обеспечивается возможность проверки действий обучаемого с динамической обратной связью в процессе обучения для избежания ошибочных выводов, а также использование отложенной обратной связи для периодической оценки знаний обучаемого, причем оба процесса можно проводить неоднократно.

Поэтому в рамках разработки прикладных веб-ИЭС по различным курсам/дисциплинам, содержащим НФ-методики, наиболее актуальной является задача построения моделей ПрО, в том числе на основе знаний, содержащих отдельные виды НЕ-факторов знаний [1].

Следует отметить, что сегодня моделирование как отдельных НЕ?факторов, так и взаимосвязей между ними становится важнейшим направлением развития интеллектуальных систем и технологий, поскольку оно затрагивает значительное число так называемых «НЕ?фактороёмких» областей как инженерия знаний, мягкие вычисления, многоагентных систем и др.

Целью данной работы является исследование вопросов извлечения, представления, верификации и обработки неопределенных, неточных, нечётких и неполных знаний на основе ЗОМ и базовых средств веб-версии комплекса АТ-ТЕХНОЛОГИЯ.

1. Особенности извлечения, представления, верификации и обработки знаний с НЕ-факторами при построении обучающего воздействия «Тренинг с ЭС»

В целом вопросы разработки обучающего воздействия «Тренинг с ЭС», рассматриваются как полнофункциональная технология построения ЭС для слабоструктурированных ПрО, в качестве которых выступают такие курсы/дисциплины как «Введение в интеллектуальные системы», «Проектирование систем, основанных на знаниях», «Интеллектуальные диалоговые системы» и др., являющиеся базовыми для подготовки специалистов по направлению «прикладная математика и информатика».

Для автоматизированного построения модели ПрО, используется разработанный в рамках ЗОМ комбинировнный метод прямого приобретения знаний (КМПЗ) [1], представляющий собой интеграцию процессов компьютерного интервьюирования экспертов, обработки проблемно-ориентированных текстов и извлечения знаний из БД (зарегистрированных в комплексе АТ-технология).

Основной целью использования трех источников знания является создание наиболее полной и адекватной базы знаний (БЗ) о ПрО, а также ее проверка на полноту и непротиворечивость. Суть КМПЗ заключается в отображении неструктурированного описания ПрО (знаний, извлекаемых из эксперта путем применения метода компьютерного интервьюирования на основе моделей решения типовых задач [1]), в структурированное поле знаний (ПЗ) (т.е. множество структурированных знаний, получаемых в результате обработки сеансов интервьюирования эксперта и проблемно-ориентированных текстов, которые состоят из объектов, атрибутов объектов, значений атрибутов и правил, связывающих объекты) с последующей верификацией полученного ПЗ и дальнейшей конвертацией ПЗ в БЗ на язык представления знаний конкретного инструментального средства (в том числе комплекса АТ-технология) и финальной верификацией БЗ.

Важно отметить, что в рамках КМПЗ допускается извлечение и обработка знаний, содержащих отдельные виды НЕ-факторов знаний (неопределенность, неточность, нечеткость, неполнота) [1].

Этап извлечения знаний из экспертов на основе КМПЗ реализуется путем активации соответствующей задачи планировщика «Извлечь знания из эксперта», запускающей типовую проектную процедуру извлечения знаний из эксперта. Если это первый сеанс интервьюирования, то осуществляется настройка на тип решаемой задачи. При помощи средств лингвистического процессора, в результате чего выбирается сценарий интервью, отражающий тематическую структуру диалога при решении конкретного типа задач (например, «диагностика»).

В ходе сеанса интервьюирования эксперта осуществляется структурирование полученной информации, т.е. построение ПЗ, основными базовыми элементами которого являются объекты и правила. Объект соответствует одному или нескольким ответам на вопрос, задаваемый эксперту в течение сеанса интервьюирования. ПЗ формируется на основе протоколов всех проведенных сеансов интервьюирования.

Для выявления и устранения возможных аномалий в сформированном ПЗ используется компонент верификации ПЗ (активизация задачи планировщика «Верифицировать ПЗ»). Полученное в результате интервьюирования ПЗ исследуется на наличие следующих типов аномалий [1]: статические аномалии - значение атрибута, на которое нет ссылок, недопустимые значения атрибутов, недостижимое заключение, замкнутые правила, лишние If-условия, избыточные правила, конфликтные правила, пересекающиеся правила; динамические аномалии - избыточные цепочки правил, конфликтные цепочки правил, замкнутые цепочки правил, пересекающиеся цепочки правил.

Ниже приводится пример построения модели ПрО для курса/дисциплины «Интеллектуальные диалоговые системы»

2. Пример разработки обучающего воздействия «Тренинг с ЭС» по курсу «Интеллектуальные диалоговые системы»

Поскольку в центре внимания находятся вопросы выявления с помощью КМПЗ экспертных знаний, содержащих отдельные виды НЕ-факторов знаний, с целью учета недостоверной информации про построении модели ПрО, то рассмотрим несколько примеров приобретения и верификации недостоверных знаний.

Эксперту (преподавателю-предметнику) предлагается описать решаемую им задачу на естественном языке, после чего с помощью специализированного лингвистического процессора производится анализ введенного текста и, в зависимости от его смысла, делается заключение о принадлежности описанной задачи к определенному типу. Далее происходит активация сеанса интервьюирования, соответствующего типу решаемой задачи, например, в соответствии со сценарием интервьюирования для типовой задачи диагностики выводятся соответствующие диалоговые формы. При этом преподаватель вводит следующий вопрос и ответ (используется метод «имитации консультации» [1]):

Вопрос: Какой способ рассуждений на понятиях используется?

Ответ: Дедуктивный.

Поскольку эксперт может быть не полностью уверен в достоверности введенной им информации, то он нажимает кнопку «Инструменты». В результате анализа объединенного текста из полей «вопрос» и «ответ» в данной ситуации будет показана следующая экранная форма (Рис.1.).

Это основная форма, обеспечивающая альтернативность поведения эксперта, который сможет сам далее выбрать в соответствии с введенной им информацией соответствующую кнопку или нажать на кнопку «Пропустить», и тогда сеанс будет продолжен.

Например, если эксперт считает нужным нажать кнопку 1, то происходит переход к форме для ввода неопределенности, где эксперт задает степень уверенности во введенной информации в ответе в диапазоне [50,100].

Рис. 1. Экранная форма для определения типа НЕ-факторов

Далее эксперту не хватает информации, чтобы сделать заключение, поэтому он отвечает на следующие вопросы: «Какова понятийная структура предметной области?» Ответ: «Используются простые понятия» и т.д. Эксперт продолжает вводить вопросы и ответы до тех пор, пока не сможет сделать заключение о диагностируемом объекте.

Ниже на Рис.2. приводится пример для демонстрации случая извлечения нечетких знаний. Например, эксперт ввел вопрос «Какие объемы словарей могут поддерживаться с помощью процедурного морфологического анализа?», а возможный вариант ответа - «очень большие». В данном случае в результате поиска в словаре измеримых параметров ничего не будет найдено, поэтому появится форма, показанная на Рис.1. В соответствии с комментарием к кнопке 3 эксперт, возможно, выберет данную кнопку, и произойдет переход к экранной форме для осуществления ввода новой лингвистической переменной (ЛП), а также определению нечеткого атрибута формируемого ПЗ.

На экранной форме (Рис.2) эксперту необходимо самостоятельно ввести понятие ПрО (т.е. имя измеримого параметра), к которому относится значение, введенное в ответе, а также ввести диапазон изменения значения (минимальное и максимальное значения) и единицы измерения данного понятия, затем выбрать тип функции принадлежности (ФП) в соответствии с комментариями к каждой ФП.

В данном примере, выбран комментарий к описанию типа 3, поэтому при нажатии на кнопку «Ввести» в ПЗ будет сформирован атрибут нечеткого типа «объемы словарей», имеющий значение «очень большие», которое выражается конкретной ФП, определенной на интервале [0, 100] и имеющей форму ТИП 3.

Рис. 2. Ввод экспертом новой лингвистической переменной

В ходе сеанса интервьюирования эксперта осуществляется структурирование полученной информации во внутреннее представление ПЗ, причем формирование единого ПЗ выполняется в два этапа: формирование протоколов интервьюирования эксперта и формирование единого ПЗ по сформированным протоколам.

Затем выполняется верификация данного ПЗ, (пример экранной формы показан на Рис.3), причем для верификации ПЗ, содержащего знания с отдельными видами НЕ-факторов (неопределенность, неточность и нечеткость) используется расширенная таблица решений (РТР), позволяющая анализировать ПЗ, содержащее выделенные виды НЕ-факторов.

Для того чтобы ПЗ представить в виде РТР, предусмотрена специальная процедура нормализации правил, включающая, в частности, разбиение пересекающихся числовых интервалов на непересекающиеся интервалы в тех утверждениях, в которых присутствуют неравенства или указаны коэффициенты уверенности или точность числового значения.

Рис.3. Верификация ПЗ

Результаты верификации ПЗ представляются в форме протокола, содержащего ссылки на фрагменты ПЗ, в которых обнаружены аномалии (Рис.4).

В процессе заполнения РТР производится выявление нарушений целостности, включающие проверку правильности значений атрибутов и их коэффициентов, проверку наличия и правильности ссылок на объекты, атрибуты и значения атрибутов. На Рис.4 в протоколе верификации показано, что в процессе заполнения РТР из ПЗ, содержащей 100 правил, найдено 30 значений атрибутов, на которые нет ссылок, а недопустимых значений атрибутов и недостижимых заключений не найдено.

На этапе анализа РТР с целью выявления нарушений согласованности в ПЗ проверяется набор критериев несогласованности с целью обнаружения циклических правил; противоречивости; избыточности; пересечения. Например, согласно протоколу верификации, приведенному на Рис.4, в ПЗ не найдено замкнутых правил, конфликтных цепочек правил, лишних if-условий, однако найдена пара конфликтных правил, пара избыточных правил, а также избыточная цепочка правил.

Рис. 4. Протокол верификации

Обнаруженные аномалии могут быть устранены при нажатии на кнопку «Исправить», обеспечивающей переход к форме «Мастер корректировки», на которой может быть выбран план корректировки ПЗ.

При корректировке ПЗ значения атрибутов, на которые нет ссылок, удаляются из ПЗ. При наличии в ПЗ избыточных правил «Мастер корректировки» предлагает выбрать одно из них для удаления. При обнаружении конфликтных правил также предоставляется возможность устранить эти правила автоматически или вручную.

Заключение

Ограниченный объем доклада не позволил более детально остановиться на вопросах извлечения, представления и обработки знаний, содержащих выделенные виды НЕ-факторов, а также привести примеры сценариев интерьвьюирования экспертов при моделировании решения других задач и построения моделей ПрО для других курсов/дисциплин, для которых уже созданы и используются в учебном процессе обучающие веб-ИЭС.

верификация знание эксперт обучающий

Литература

1. Рыбина Г.В. Теория и технология построения интегрированных экспертных систем. - М.: «Научтехлитиздат», 2008.

2. Рыбина Г.В. Обучающие интегрированные экспертные системы: некоторые итоги и перспективы// Искусственный интеллект и принятие решений. 2008. №1. С. 22-46.

Размещено на Allbest.ru