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/).
Nav komentāru:
Ierakstīt komentāru