Ekspertu sistēmas izmantojot pieredzes vākšanu

Referāts.

Priekšmetā: “Mākslīgā Intelekta Pamati”.

“Ekspertu sistēmas izmantojot pieredzes vākšanu”.

Uzrakstīja: Dimitrijs Aleksašins.

III kurss, grupa  DB12-2

Pēdējos laikos ļoti izplatītas kļūst ekspertsistēmas, ko izmanto praktiski visās tautsaimniecības nozarēs. Ekspertsistēmu popularitāte ir saistīta ar iespēju veikt sarežģītu zinātnisko un ekonomisko analīzi, samazināt tehnoloģisko procesu darbietilpību. Bet, galvenais, ekspertsistēmas dod iespēju saglabāt esošo pieredzi un paradīt to par kolektīvu īpašumu, un arī tas gatavība atdot jums savas zināšanas. No funkcionalitātes viedokļa ekspertsistēma tas ir sistēma kas lieto speciālistu zināšanas kādā noteiktajā nozarē un ir spējīga šajā nozarē robežas pieņemt lēmumus eksperta- profesionāla līmenī. Līdz ar to taj piemīt tādas īpašības kā lietot zināšanas datu bāzi un tas bāzē pieņēmt lēmumus; pārformulējot uzdoto jautājumu sameklēt risinājumu; spēj analizēt un paskaidrot savu atbildi; meklēt risinājumu ne tikai uz uzdoto mērķi kopumā bet arī sadalīt to apkšmērķos. 

Klasiska Ekspertsistēma satur piecas sastāv daļas: interfeiss ar lietotāju, loģiskas izvades apakšsistēmu, zināšanas bāzi, zināšanu iegūšanas sistēmu un arī risinājumu skaidrojošu sistēmu. Galvena no tiem ir zināšanas bāzi tas ir sistēmas kodols.

 

Sistēmā jābūt realizētas trīs režīmi lietotāja saskarsmes ar sistēmu:

1.      Lietotājs kā speciālists saņem atbildes.

2.      Zināšanās bāzes uzlabošanu un papildināšana, lietotājs strādā kā eksperts- profesionāls.

3.      Lietderīgas zināšanas saņemšana no Zināšanās bāzi.

Mūsu gadījuma lai sistēma varētu patstāvīgi papildināt savu zināšanas un vākt pieredzi bāzē jāapvieno dažas tas sastāv daļas. Kā arī samazināt eksperta- profesionāla lomu zināšanas iegūšanas procesā. Pirmkārt loģiskas izvades apakšsistēmu jāapvieno ar zināšanu iegūšanas sistēmu, nosauksim viņu pār analīzes sistēmu. Klasiskajā varianta zināšanu iegūšanas sistēmu izpilda zināšanas bāzi papildinājumu, šeit sistēma ņem zināšanas no eksperta pārveido tas iekšējas atspoguļošanas formā un ieraksta zināšanu bāzē. Prakse tas ir ļoti grūti izpildāms uzdevums, jo parasti zināšanas ir grūti sadalīt vai formalizēt. Loģiskas izvades apakšsistēma lieto informāciju un zināšanas no zināšanas bāzi, galveno kārt tur glabājas īpašības un noteikumi, un ģenerē rekomendācijas risinājumu meklēšanai. Šeit tiek realizēta kāda stratēģija ar kuru sistēma meklē risinājumu un noteikumi zināšanas bāzē. Parasti stratēģija ir grūti atdalama no zināšanas ar kurām tā strādā un ši stratēģiju liela mērā ietekme risinādamas uzdevumus sfēra.

Grūtības kas parādās Eksperta saskarsmē ar sistēmu, un tas zināšanas novietošana zināšanas bāzē liela mēra tiek atrisinātas ar zināšanas speciālista ieviešanu procesā. Galveno kārt grūtības rādās tāpēc ka eksperta zināšanas ir grūti sadalīt vai formulēt kādā stipri noteiktajā formā.

Zināšanu iegūšanas no eksperta un uz tas bāzi strukturizēta modeļa noteikšanu var sadalīt etapos. Tie ir identificēšana, konceptualizēšana, formalizēšana, realizēšana un testēšana. Identificēšanas etapā zināšanas speciālistam kopā ar ekspertu jāapraksta problēmu un attiecīgus tai zināšanas. Noteikumi, un definīcijas kas parādās identificēšanas etapā jāapraksta dabīgajā valodā konceptualizēšanas etapā. Formalizēšanas etapā notiek galveno noteikumu definēšana un piefiksēšana kādā noteiktajā zināšanas atspoguļošanas valodā. Zināšanas bazēs diagrammu, grāfu un saišu definēšana notiek realizācijas etapā. Testēšana nozīme iegūtas zināšanas bāzes pārbaude uz kādās testa uzdevumos.

Tiek bija arī mēģinājumi automatizēt šo darbu un atteikties no zināšanas speciālista un ieviest aptaujas sistēmu. Jautājumu sistēmu kura veic dialogu ar ekspertu un no iegūtam atbildēm sastāda zināšanas bāzi. Lai pilnīgi automatizēt un veikt pieredzes glabāšanu zināšanas bāzē, sistēmai jābūt spējīgai pašai atbildēt uz jautājumiem. Analizējot atbildes būvēt zināšanas bāzi un veikt tas apstrādi. Ideālā variantā sistēmai būtu jābūvē zināšanas bāzi balstoties uz tiem pašiem avotiem kuri ir ekspertam, tas ir pieredze un speciāla literatūra.

Ja sistēmā ieviest pieredzes glabāšanu zināšanas bāzē tad pirmkārt tos jālieto. Uzreiz pēc uzdevuma saņemšanas analizējot viņu jāsalīdzina tas ar jau kādreiz iegūto pieredzi, meklējot analoģisku uzdevumu un arī atbildes uz to, analizējot tas ka viņi tiek iegūti ātri un kvalitatīvi uzcelt vai sameklēt atbildi uz uzdotu uzdevumu. Un arī pēc katra sameklēta atbildi sistēmai jāzina kāda veida tiek iegūta atbilde vai risinot šo atbildi tiek iegūta kāda jauna pieredze, vai šo pieredzi jāglabā.

Lai tas organizētu mūsu sākotnējo ekspertsistēmu jāpapildina ar jaunām struktūrām, jeb āpakšsistēmam kuram jāveic atbildes analīzi un no tas iegūtas pieredzi glabāšanu, un arī uzdevuma analīze pielietojot pieredzi un analizējot pieredzi atrisinājuma meklēšanas stratēģijas izvēli. Līdz ar to ir redzams kā šajā gadījumā zināšanas bāzi var sadalīt daļas viena pieredzēs glabtuve un arī standarta zināšanas bāze, jo lai tas vieglāk būtu apstrādāt tas daļas jāatšķir. Gadījumā jā līdzīga uzdevuma nav pieredzē tad analizēt to un veikt atrisinājuma meklēšanu ar standarta līdzekļiem.

 

 

Shēmā tiek paradīta ekspertsistēmas izmantojot pieredzi darbības iespējamais algoritms kuru es grību paskaidrot. No sakuma sistēma saņem uzdevumu analīze to lai noteiktu mērķis, pēc tam lai vieglāk būtu atrisināt uzdevumu un sameklēt risinājumu sadala to apakšmērķos. Tālāk iet pieredzes vākšanas datu bāzi apskats lai sameklētu kādu lidzīgu uzdevumu un tad ja tas ne tiek sameklēta risināt uzdevumu izmantojot standart paņēmienus, bet gadījumā ja tiek sameklēta pieredze iet tas analīze lai noteikt risinājuma meklēšanas stratēģijas izstrāde un uzdevuma atrisinājums izmantojot to. Pēc tam risinājuma formēšana un analīze jeb pārbaude vai tiek sameklēts pareizs risinājums vai nē, un ja risinājums nav īsts tad iet tas meklēšanas atkārtošana izmantojot standarta paņēmienus. Kad risinājums iegūts sistēma analīze un pieņem lēmumu vai glabāt iegūto pieredzi vai nē, un ja vajag saglāba to. Tad iet risinājuma skaidrošana un tas izvade lietotajam saprotamā formā.

Pielietojot pieredzes vākšanu ļoti aktuāls kļuva jautājums par tas glabāšanu, jo pieredzes pēc tam būs jāizmanto. Tas nozīme kā mums kaut kādā veidā jāglabā iegūtas zināšanas, ar tādu paņēmienu lai tas būtu viegli otrreizēji izmantot. Informācijas, jeb zināšanas otrreizējas izmantošanas jautājums šodien ir ļoti aktuāls un ne tikai risinot mākslīga intelekta problēmas. Tiek izstrādāta pat tehnoloģija pasaule to sauc par Reuse tehnoloģiju, un reuse problēmas. Reuse tehnoloģija pielietota daudzām nolūkam, un arī ļoti plaši izplātīta bet mūsu gadījuma mums jāstrādā ar tas nodaļu kura atbild uz jautājumu kā jāglabā informāciju un zināšanas lai tas atvieglotu un vienkāršotu tas otrreizējo izmantošanu. Līdz ar to ekspertsistēmai būtu jābūt labi izstrādātai arī šajā problēmā.

Ekspertsistēmas kas izmanto pieredzes vākšanu ir ļoti izdevīgi lietot, jo tiem ir pāšapmācībās iespējas. Tie vāc pieredzi, līdz ar to palielina savas zināšanas pakāpi un palielina savas zināšanas un pieredzes datu bāzes. Bet tam arī jābūt apakšsistēmai kura veic pieredzes analīze meklējot līdzīgus uzdevumus un pēc tam analizēt to, un balstās uz to jāizstrādā risinājuma meklēšanas stratēģiju. Tikai jāatceras ka no standarta paņēmieniem arī nedrīkst atteikties, jo var gadīties īpaši kad sistēmā ir salīdzinoši jauna (pieredzes bāze neliela) ka uzdevumu var atrisināt tikai ar tas palīdzību, jo iepriekš netiek iegūta pierdze. Ka arī obligāti jābūt iespējai pašam ar roku (manualy) papildināt zināšanas bāzi. Īpaši tādu sistēmu ir izdevīgi izmantot tur kur ļoti bieži jārisina līdzīgus uzdevumus vai tos kurus ir grūti vai dārgi atrisināt ar standartu paņēmieniem.

 

Literatūras avoti.

1.      Payne, Edmund C. “Developing expert systems”.

2.      E.Jakubaitis “Informātika”.

3.      Перспективы развития вычислительной техники. № 2. Интеллектуализация ЭВМ.

4.      IEEE Intelegent System & their Applications. (http://computer.org/intelligent/).