|
Смысл экспертного
анализа Характеристики
экспертных систем Базовые
функции экспертных систем Приобретение
знаний Представление
знаний — еще одна функция экспертной системы. Теория представления знаний
— это отдельная область исследований, тесно связанная с философией формализма
и когнитивной психологией. Предмет исследования в этой области — методы ассоциативного
хранения информации, подобные тем, которые существуют в мозгу человека. При этом
основное внимание, естественно, уделяется логической, а не биологической стороне
процесса, опуская подробности физических преобразований. В данном разделе пойдет
речь о наиболее важных и малоизученных проблемах интерьера — о
раскрытии художественного смысла, о возможностях образного художественного
языка архитектуры, о творческих проблемах современной архитектуры. Среди рассмотренных
примеров — выдающиеся памятники разных эпох и народов, лучшие общественные здания,
созданные советскими, а также зарубежными архитекторами. На основе конкретного
анализа делаются обобщения по отдельным проблемам. Показываются информационные
возможности художественного языка архитектуры. Кроме того, исследование вопросов
не только теории, но и практики создания интерьера потребовало рассмотрения ряда
творческих проблем.
Два ребёнка ограбили банк - порно онлайн бесплатно . Почему не учится язык? Управление
процессом поиска решения При проектировании экспертной системы серьезное
внимание должно быть уделено и тому, как осуществляется доступ к знаниям и как
они используются при поиске решения [Davis, 1980, а]. Знание о том, какие
знания нужны в той или иной конкретной ситуации, и умение ими распорядиться —
важная часть процесса функционирования экспертной системы. Такие знания получили
наименование метазнаний — т.е. знаний о знаниях. Решение нетривиальных
проблем требует и определенного уровня планирования и управления при
выборе, какой вопрос нужно задать, какой тест выполнить, и т.д.
Разъяснение принятого решения Резюме
и структура книги Текущее
состояние проблемы Распределение
материала книги по главам Упражнения
Обзор исследований в области искусственного интеллекта Классический
период: игры и доказательство теорем Поиск
в пространстве состояний Фундаментальная идея, которая появилась в результате
этих первых опытов, получила наименование поиск в пространстве состояний. По
существу, идея очень проста. Множество проблем можно сформулировать в терминах
трех важнейших ингредиентов:
исходное состояние проблемы, например исходное
состояние головоломки;
тест завершения — проверка, достигнуто ли
требуемое конечное состояние или найдено решение проблемы (примером может послужить
правило определения, собрана ли головоломка);
множество операций,
которые можно использовать для изменения текущего состояния проблемы, например
шаги или перемещения фигур при сборке головоломки.
Эвристический поиск Романтический
период: компьютер начинает понимать Система
SHRDLU Схемы представления
знаний Период модернизма:
технологии и приложения В
знании сила В период модернизма возросла уверенность, что эвристические возможности
"решателя" проблем определяются представлением в явной форме соответствующих
зданий, доступных программе, а не применением какого-то изощренного механизма
определения взаимовлияния или сложных оценочных функций. Значительные усилия были
направлены на разработку методов разбиения знаний, присущих человеку, на модули,
которые можно было бы активизировать по заданной схеме (см. врезку 2.5). Уже при
первых попытках сымитировать процесс разрешения проблем, характерный для человеческого
разума (например, в работе [Newell and Simon, 1972]), исследователи столкнулись
с ограниченными возможностями представления знаний и необходимостью упростить
механизм их взаимовлияний, хотя более поздние исследования и помогли в определенной
степени преодолеть эти трудности (об этом мы поговорим в главах 11-18). Периоды
"зимней спячки" и "пробуждения" в истории искусственного интеллекта Упражнения
Представление знаний Представление
знаний: принципы и методы 3Планировщик
STRIPS Таблицы операторов
и методика "средство — анализ завершения" Программа STRIPS включает множество
процедур, которые выполняют различные функции, в частности:
обработка
списка целей;
выбор очередной цели;
поиск операторов,
которые могут быть использованы для достижения текущей цели; анализ
соответствия между целью и формулам в списке добавлений в модель;
установка сформулированных предварительных условий в качестве подцелей.Анализ
метода представления и управления в STRIPS Формулировка
подцелей в MYCIN Лечение
заболеваний крови База
знаний системы MYCIN Структуры
управления в MYCIN Оценка
и сравнение характеристик экспертных систем Оценка
системы MYCIN Еще в 1974 году, на самой ранней стадии разработки системы MYCIN,
были получены весьма обнадеживающие результаты. Команда из пяти высококвалифицированных
экспертов в области диагностики инфекционных заболеваний подтвердила правильность
72% рекомендаций, сделанных системой, которые относились к 15 реальным заболеваниям.
Главной проблемой оказалась не точность диагноза, а отсутствие правил, которые
позволяли бы судить о серьезности заболевания. В 1979 году были организованы более
формальные испытания усовершенствованной версии MYCIN по диагностике таких заболеваний,
как бактеремия и менингит. Окончательное заключение, вынесенное программой в 10
реальных случаях, сравнивалось с заключениями ведущих медиков Станфордского университета
и рядовых врачей, причем рассматривались и такие случаи, в которых лечение уже
проводилось. Затем были привлечены восемь других экспертов, которых попросили
оценить рейтинг 10 рекомендаций о курсе лечения в каждом из рассмотренных случаев.
Для каждого из предлагавшихся наборов рекомендаций была определена максимальная
оценка 80 баллов, причем экспертам было неизвестно, что некоторые из них предложены
не врачом, а компьютером. Сравнение
MYCIN и STRIPSУпражнения
Символические вычисления Символическое
представление Физическая
символическая система Реализация
символических структур на языке LISP Структуры
данных в языке LISP Структура
LISP-программы Общепринятым методом реализации функциональных языков типа
LISP является использование четырехстековой машины, за которой закрепилось наименование
SECD-машины. В четырех стеках машины отслеживаются промежуточные результаты, значения
переменных, текущее выражение и копии текущего состояния процесса вычислений сложного
выражения, которые нужны, чтобы восстановить состояние после завершения вычисления
вложенного выражения (подвыражения). Не вдаваясь в подробности, отметим, что процесс
оценивания символического выражения в такой машине — это не что иное, как реализация
базовой операции приложения функции, как это определено в лямбда-исчислении (см.,
например, [Henderson, 1980], [Glaser et al., 1984]).
Приложение функции и лямбда-исчисление Обработка
списков Сопоставление
с образцом Почему
LISP не является языком представления знаний Символический
уровень и уровень знаний LISP
и разработка программ Языки
представления знаний И представление знаний, и объектно-ориентированный подход
к программированию основываются на одной и той же идее, что конкретная предметная
область приложения имеет такое же значение для модели, как и для проблем, которые
нужно разрешить. Если вы работаете в определенной предметной области — технической,
издательском деле или сфере управления, — то вид проблемы, которую потребуется
решить, будет изменяться не только от проекта к проекту, но и на разных стадиях
работы над проектом, по мере того как будут уточняться концепции проекта и его
цели. Относительно постоянными остаются только "обитатели" предметной
области — машины, процессы, неживые объекты или люди. Представление этих сущностей,
которое может быть воспринято машиной и обработано программой, формируется
таким образом, чтобы его можно было использовать в самых разнообразных проектах.
Упражнения
Системы, основанные на знаниях
Канонические системы Системы
порождающих правил для решения проблем Синтаксис
представления правил В настоящее время порождающие правила обычно реализуются
в форме правил, манипулирующих с символическими структурами типа списка векторов,
а не строк символов. В этом сказывается влияние языков программирования вроде
LISP и тех структур данных, которые они поддерживают. (В ранних реализациях использовались
языки манипулирования символами, например SNOBOL.)
В результате алфавит канонической
символьной системы заменяется словарем символов или атомов и довольно простой
грамматикой формирования символических структур. Словарь, как правило, состоит
из трех подмножеств:
подмножества N имен объектов предметной области;
подмножества Р имен свойств, которые рассматриваются в качестве
атрибутов объектов;
подмножества V допустимых значений атрибутов.Рабочая
память Управление
функционированием интерпретатора Разрешение
конфликтов Прямая
и обратная цепочки рассуждений Правила
и метаправила Упражнения
Ассоциативные сети и системы фреймов Графы,
деревья и сети Для описания многих видов абстрактных данных в информатике
вообще и в теории искусственного интеллекта, в частности, очень широко используется
терминология, заимствованная из теории графов. Следующие определения приведены
здесь для того, чтобы показать, как эти заимствованные термины трактуются при
описании структурированных объектов, что несколько отличается от их трактовки
в "родной" математической сфере. Ассоциативные
сети Разделение видов
узлов и когнитивная экономия Анализ
адекватности ассоциативных сетей
Представление типовых объектов и ситуаций Основные
понятия концепции фреймов Фреймы
и графы Значения
по умолчанию и демоны
Множественное наследование Сравнение
сетей и фреймов Упражнения
Объектно-ориентированное программирование В данной главе мы вновь затронем некоторые
вопросы, рассмотренные в предыдущих главах, в частности вопрос о наследовании,
но уделим ему гораздо больше внимания. Независимо от того, какой конкретный язык
будет обсуждаться в том или ином разделе, во всех представленных примерах используется
либо язык COOL (CLIPS Object Oriented language — объектно-ориентированная версия
языка CLIPS), либо C++. Разделы, в которых детально изложены технические подробности
функционирования конкретных программных средств (они помечены крестиком), можно
при желании опустить. Большинство примеров приведено во врезках. При первом чтении
их также можно бегло просмотреть или опустить, что не помешает разобраться в основных
темах главы. Язык
KRL Языки LOOPS и
FLAVORS Передача сообщений
Проблема наложения
методов Метаклассы
Языки CLIPS и CLOS
Множественное наследование
в CLOS и CLIPS Наложение
методов в CLOS и CLIPS Метаклассы
в CLOS и CLIPS Множественное
наследование в C++
Объектно-ориентированный анализ и конструирование экспертных систем Упражнения
Логическое программирование Еще в конце 1970-х годов стала отчетливо просматриваться
тенденция к использованию в исследованиях в области искусственного интеллекта
"формальных" методов, т.е. основанных на аппарате математической логики.
Эти методы противопоставлялись более интуитивным и менее формализованным эвристическим
методам, скажем, таким, которые были использованы в системе MYCIN. Для того чтобы
стало ясно, что все это значит, нужно познакомить вас с логическими языками, а
затем показать, как соотносятся их свойства с теми методами рассуждений, которые
должны поддерживать типовые экспертные системы. Формальные
языки Исчисление
высказываний Исчисление
предикатов Язык PROLOG
Опровержение резолюций
Принцип резолюций
Поиск доказательства в
системе резолюций Процедурная
дедукция в системе PLANNER PROLOG
и MBASE Правила поиска
в языке PROLOG Управление
поиском в системе MBASE Упражнения
Представление неопределенности знаний и данных Во многих реальных приложениях
приходится сталкиваться с ситуацией, когда автоматический решатель задач имеет
дело с неточной информацией. В этой главе мы рассмотрим основные идеи, касающиеся
количественной оценки неопределенности и методов формирования нечетких суждений.
В главах 11-15 будет продемонстрировано, как такие методы используются на практике.
В настоящей главе речь пойдет в основном о теоретических аспектах представления
неопределенности и о том, почему в исследованиях по искусственному интеллекту
такое большое внимание уделяется этим проблемам. В главе 21 мы вновь вернемся
к проблеме неопределенности и рассмотрим ее более глубоко, но для большинства
читателей вполне достаточно будет и тех сведений, которые представлены в данной
главе. Источники
неопределенности Экспертные
системы и теория вероятностей Условная
вероятность Коэффициенты
уверенности Коэффициенты
уверенности и условные вероятности Сомнительность
и возможность Нечеткие
множества Нечеткая
логика Теория возможности
Неопределенное состояние
проблемы неопределенности Упражнения
Приобретение знаний В этой главе мы детально рассмотрим процесс извлечения знаний
и в теоретическом, и в практическом аспектах. Сначала будет представлен такой
способ организации приобретения знаний, когда весь процесс разбивается на несколько
этапов или уровней анализа. Затем будут описаны результаты некоторых ранних работ
в области автоматизации извлечения знаний, причем основное внимание будет сосредоточено
на синтаксисе и правилах. В последнем разделе эти результаты сравниваются с поздними
работами, в которых на первый план выходит семантика предметной области. Теоретический
анализ процесса приобретения знаний Стадии
приобретения знаний Уровни
анализа знаний Онтологический
анализ Оболочки
экспертных систем Система
EMYCIN Сопровождение
и редактирование баз знаний с помощью программы TEIRESIAS Методы
приобретения знаний Использование
опроса экспертов для извлечения знаний в системе COMPASS Автоматизация
процесса извлечения знаний в системе OPAL Графический
интерфейс модели предметной области Эффективность
программы OPAL Приобретение
новых знаний на основе существующих Упражнения
В предыдущей главе мы уже упоминали о том, что базовые компоненты экспертных систем,
хорошо зарекомендовавшие себя на практике (машина логического вывода и подсистема
представления знаний), могут быть использованы для построения аналогичных систем
для других областей приложения. Так, архитектура оболочки EMYCIN явилась результатом
дальнейшего развития принципов, положенных в основу ранней и узкоспециализированной
системы MYCIN.
В этой главе мы рассмотрим вопросы применения тех методов решения
проблем, которые используются на практике при построении экспертных систем разного
назначения, и постараемся увязать характерные черты этих методов со спецификой
областей применения. В идеальном случае хотелось бы получить ответы на следующие
вопросы. Классификация задач
экспертных систем Классификация
методов решения проблем Эвристическое
сопоставление Общность
эвристической классификации Классификация
или конструирование? Упражнения
Эвристическая классификация Сейчас мы продолжим начатый в предыдущей главе анализ
различий между задачами классификации и конструирования. Но теперь основное внимание
будет сосредоточено на методах решения проблем, включая и различные способы представления
знаний и реализации машины логического вывода. В частности, мы подробно рассмотрим
типы инструментальных программных средств, наиболее подходящих для разработки
систем эвристической классификации, примеры использования эвристической классификации
в экспертных системах, более современных, чем MYCIN и EMYCIN, и увидим, каким
образом сказывается обладание знаниями об используемых методах решения проблем
на работе автоматизированных систем извлечения знаний. Инструментальные
средства и задачи, решаемые экспертной системой Эвристическая
классификация в системах MUD и MORE Модель
предметной области выполнения буровых работ Стратегии
приобретения знаний Использование
коэффициентов уверенности в программе MORE Опыт
эксплуатации системы MORE Совершенствование
стратегий Уроки проекта
GUIDON Структура
задач в системе NEOMYCIN Упражнения
Иерархическое построение и проверка гипотез В данной главе будут рассмотрены три
системы, реализующие комбинированный метод решения проблем, который получил в
литературе наименование иерархического построения и проверки гипотез (hierarchical
hypothesize and test). С методом эвристической классификации этот метод сходен
в том, что в нем используется отображение множества абстрактных категорий данных
на множество абстрактных категорий решений, но этот подход усложнен тем, что элементы
решений могут комбинироваться и объединяться в составные гипотезы. Цель
такого усложнения — построение гипотезы, которая могла бы объяснить все симптомы
и признаки анализируемой ситуации. Классическим примером ситуации, в которой проявляются
достоинства нового метода, является дифференциальное диагностирование, когда предполагается,
что пациент страдает не одним, а несколькими заболеваниями, и нужно по
множеству симптомов и показаний определить, какими именно. Влияние
сложности пространства гипотез на организацию работы системы Структурированные
объекты в CENTAUR Структура
фреймов в CENTAUR Правила,
включенные в прототипы Формирование
суждений на базе модели в системе INTERNIST Представление
знаний в дереве заболеваний Методика
выделения правдоподобных гипотез в INTERNIST Проблемы,
обнаруженные в процессе эксплуатации системы INTERNIST Рабочая
среда инженерии знаний TDE Упражнения
Решение проблем конструирования Когда речь идет о решении некоторой проблемы конструирования,
предполагается, что имеется пространство элементов решения, из которого можно
выбирать, и имеются правила, которые помогают комбинировать выбранные
элементы. Самым простым примером является задача, которую приходится решать чуть
ли не ежедневно, — как одеться, чтобы не выглядеть в родной конторе пугалом. Существуют
писаные и неписаные правила, в чем прилично являться на работу, а что рассматривается
как пренебрежение мнением окружающих (и руководства). Итак, задача состоит в том,
чтобы, во-первых, не выглядеть пугалом, а во-вторых, не вносить диссонанс в рабочую
обстановку слишком вызывающим внешним видом. Даже в том случае, если отсутствуют
четко сформулированные правила, вряд ли кто-нибудь посчитает совместимым костюм-тройку
и кроссовки. Области
применения методов конструктивного решения проблем Система
R1/XCON Компоненты и
ограничения Использование
текущего контекста для управления структурой задачи Формирование
суждений с учетом ограничений: метод Match Использование
знаний, развитие и расширение системы XCON Извлечение
знаний в системе R1/XCON Совершенствование
и расширение системы R1/XCON Упражнения
В предыдущей главе мы рассматривали экспертные системы для решения проблем конструирования,
в которых по ходу процесса никогда не возникала необходимость отмены уже принятых
решений. Однако такая стратегия подходит далеко не для всех задач конструирования,
поскольку мы не всегда располагаем всеми необходимыми для этого знаниями о предметной
области. В этой главе мы проанализируем применение двух стратегий — наименьшего
принуждения (least commitment) и предложение и пересмотр (propose and revise).
Завершит главу обзор некоторых инструментальных средств приобретения знаний,
которые используются в системах решения проблем конструирования. Стратегии
конструирования Архитектура
систем планирования и метапланирования Извлечение,
представление и применение знаний о проектировании Реализация
обратного прослеживания в системе VT Приобретение
знаний с помощью системы SALT Итоги
анализа систем решения проблем конструирования Упражнения Эту
главу мы начнем с краткого обзора ранних работ, касающихся включения в экспертные
системы специальных средств, формирующих для пользователя информацию о ходе рассуждений
(в дальнейшем для краткости мы будем называть ее поясняющей информацией). Затем
более детально будут рассмотрены средства формирования пояснений экспертной системы
CENTAUR, о которой уже упоминалось в главе 13. И в заключение мы обсудим одно
из последних исследований в этой области, выполненное в рамках проекта Explainable
Expert Systems, в котором основное внимание было уделено обеспечению прозрачности
экспертной системы с точки зрения инженеров по знаниям, т.е. была предпринята
попытка рассмотреть в комплексе вопросы формирования поясняющей информации и извлечения
знаний. Формирование
пояснений на основе знаний
Подсистема формирования пояснений в MYCIN Формирование
пояснений в системах, производных от MYCIN Формирование
пояснений на основе фреймов Организация
вывода пояснений в системе CENTAUR Использование
мультимедийного интерфейса для формирования пояснений Формирование
пояснений и автоматическое программирование Автоматическое
программирование в системе XPLAN Проект
Explainable Expert Systems Планирование
текстов пояснений и модели пользователей в PEA Перспективы
дальнейших исследований методов формирования пояснений Упражнения
Инструментальные средства разработки экспертных систем
Эту главу не следует рассматривать в качестве
исчерпывающего справочника по доступным на сегодняшний день инструментальным средствам
разработки экспертных систем. Представленный в ней материал скорее претендует
на то, чтобы дать читателю общее представление о состоянии разработок в этой области
и возможностях типовых средств подобного назначения. Хотя некоторые из рассматриваемых
в этой главе программ и упоминались ранее, здесь мы старались систематизировать
имеющиеся о них сведения, обращая основное внимание на использованную методику
и способы практического применения.
Как и в предыдущих главах,
при необходимости проиллюстрировать те или иные методы программирования мы пользуемся
языком CLIPS, хотя вы встретите и несколько фрагментов программ на других языках.
Более сложные и специализированные инструментальные средства, в частности системы
с доской объявлений и системы обработки правдоподобия, будут детально
рассмотрены в главах 18 и 19. В этой же главе мы представим общие тенденции в
разработке и использовании инструментальных средств для построения экспертных
систем. Общая характеристика
инструментальных средств для построения экспертных систем Оболочки
экспертных систем Языки
программирования высокого уровня Языки
описания порождающих правил Объектно-ориентированные
языки Языки логического
программирования экспертных систем
Многофункциональные программные среды Дополнительные
модули Использование
инструментальных средств Характерные
сложности и способы их избежать Выбор
подходящего инструментария для разработки экспертной системы Практическое
освоение инструментальных средств Стиль
программирования Некоторые
максимы разработки экспертных систем Упражнения
Системы с доской объявлений В последние годы в разработке архитектуры экспертных
систем появилось новое направление, которое получило название системы с доской
объявлений (blackboard sys-tems)u. Системы с такой архитектурой
могут эмулировать режим построения как прямой цепочки логического вывода, так
и обратной, а также попеременно применять эти режимы в процессе работы. Кроме
того, применение систем с доской объявлений побуждает инженеров по знаниям к иерархической
организации и знаний относительно предметной области, и пространства частичных
и полных решений. Таким образом, эта архитектура очень хорошо подходит для решения
задач проектирования, для которых характерно большое, но факторизуемое многомерное
пространство решений. Системы с подобной архитектурой уже успешно применяются
для интерпретации данных (например, распознавания графических изображений и речи),
анализа и синтеза многокомпонентных структур (например, структуры протеинов) и
планирования. Принципы
организации систем с доской объявлений Системы
HEARSAY, AGE и ОРМ Почему
для HEARSAY-1I выбрана такая архитектура Использование
источников знаний в HEARSAY-II Система
HEARSAY-III — оболочка для создания систем с доской объявлений Инструментальные
среды AGE и ОРМ Среда
с доской объявлений ВВ Уровни
абстракции в среде ВВ Системы
ВВ1 и ACCORD Система
PROTEAN Интеграция
стратегий логического вывода Общая
характеристика ВВ Эффективность
и гибкость модели с доской объявлений Организация
доски объявлений в системе GBB Компоновка
доски объявлений в среде ERASMUS Организация
параллельных вычислений в системах CAGE и POLIGON Упражнения
Система отслеживания истинности предположений Во всех экспертных системах мы тем
или иным образом стремимся представить модель окружающего нас мира или, по крайней
мере, какой-либо предметной области этого мира. Думаю, не следует тратить время
на доказательство того очевидного факта, что программе нельзя позволять выполнять
произвольные манипуляции над представлением мира, которое в ней имеется. Как правило,
предположения в таком представлении влияют друг на друга, и существуют ограничения,
которым должно удовлетворять любое множество предположений. Если такое влияние
и ограничения игнорировать, то могут возникнуть серьезные расхождения между представлением
мира в программе и реальностью. Системы, располагающие механизмом отслеживания
зависимостей между предположениями и выявления их несовместимости, получили название
систем отслеживания истинности предположений (truth maintenance systems). В
литературе можно встретить и аналогичный по смыслу термин система отслеживания
причинности (reason maintenance systems). Отслеживание
зависимостей Релаксация
в сети Пересмотр
допущений Пересмотр
теорий высказываний Немонотонное
обоснование Работа
со множеством контекстов Отслеживание
истинности предположений, основанное на анализе допущений Использование
систем отслеживания истинности предположений для диагностирования на основе моделей
Сравнение различных
вариантов организации систем отслеживания истинности предположений Упражнения
Формирование знаний на основе машинного обучения Использовать
интерактивные программы, которые извлекали бы знания непосредственно у человека-эксперта
в процессе диалога за терминалом. Различные варианты такого рода программ мы рассматривали
в предыдущих главах. Вы могли убедиться, что такой вариант может успешно использоваться
на практике в том случае, если диалоговая система обладает некоторым запасом базовых
знаний об определенной предметной области.
Использовать программы, способные
обучаться, читая тексты, аналогично тому, как учится человек в процессе чтения
технической литературы. Этот метод "упирается" в более общую проблему
машинного распознавания смысла естественного языка человека. Поскольку сложность
этой проблемы, пожалуй, на порядок выше, чем проблемы приобретения знаний о конкретной
предметной области, вряд ли на таком пути мы быстро достигнем цели (по крайней
мере, при современном уровне решения проблемы распознавания естественного языка).
Использовать
программы, которые способны обучаться под руководством человека-учителя. Один
из подходов состоит в том, что учитель предъявляет программе примеры реализации
некоторого концепта, а задача программы состоит в том, чтобы извлечь из предъявленных
примеров набор атрибутов и значений, определяющих этот концепт. Такой подход уже
успешно опробован в ряде исследовательских систем, и использованные при этом базовые
методы составляют предмет обсуждения данной главы. Индуктивное
обучение Система
Meta-DENDRAL Формирование
и уточнение правил Пространство
версий Алгоритм
отсеивания кандидатов Сопоставление
экземпляров с образцами в Meta-DENDRAL Построение
дерева решений и порождающих правил Структура
дерева решений Алгоритм
формирования дерева решений по обучающей выборке Уточнение
наборов правил Упражнения
Сети доверия В этой главе мы рассмотрим два количественных метода реализации логических
рассуждений при наличии неопределенности в структурированном пространстве гипотез,
базирующихся на теории свидетельств Демпстера—Шефера [Gordon and Shortliffe,
1985] и Байесовском формализме [Pearl, 1986]. Каждый из этих подходов
предполагает, что на множестве гипотез каким-то способом определена функция
доверия (belieffunction), а затем по мере накопления новых свидетельств применяется
специфический механизм обновления текущего множества допущений. Теория
Демпстера—Шефера Функции
доверия Применение
теории Демпстера—Шефера к системе MYCIN Методика
Перла Сравнение
методов неточных рассуждений Резюме
Упражнения
Рассуждения, основанные на прецедентах Но как
все это можно реализовать в компьютерной модели рассуждений? Мы уже знаем, что
воспоминания и приобретенный опыт не так просто свести к набору правил, но можно
представить себе некоторую "библиотеку" ситуаций, встречавшихся в прошлом,
которые имеют отношение к возникшей проблеме, например "репертуар" указаний
шефа, или судебные решения, принятые в прошлом по аналогичным делам, или наброски
архитектурных планов для сооружений аналогичного назначения и т.п. Естественно,
что такая библиотека должна быть индексирована каким-то разумным способом, чтобы
в массиве хранящихся описаний ситуаций можно было довольно быстро распознать аналогичную
текущей. Кроме того, понадобится также и некоторый механизм, который позволит
адаптировать ранее принятое решение к новой проблеме (текущей ситуации).
Описанный подход получил наименование рассуждение, основанное на прецедентах
(case-based reasoning). Мы рассмотрим эту новую технологию на трех примерах,
взятых из разных предметных областей, — кулинарии, юриспруденции и делопроизводства.
После этого мы вновь вернемся к сравнению рассуждений, основанных на прецедентах,
с более привычной технологией логического вывода в экспертных системах и покажем,
что эти технологии не противоречат, а дополняют друг друга. В главе 23 этот тезис
будет подкреплен примерами и дальнейшим анализом. База
прецедентов Программа
CHEF Методы извлечения
и адаптации прецедентов Обучение
с помощью компьютера: система САТО Предметная
область программы САТО Расследования
и рассуждения в юриспруденции Обучение
с помощью системы САТО Формирование
отчетов в системе FRANK Сравнение
систем, основанных на правилах и прецедентах Упражнения
Гибридные системы Системы, которые мы рассмотрим в этой главе, ознаменовали дальнейшее
продвижение по этому пути — в них объединяются традиционные программы решения
проблем и компоненты самообучения и критического анализа. Система ODYSSEUS [Wilkins,
1990] способна обучаться тому, как уточнять базу знаний. Для этого используются
две разные методики: одна основана на анализе прецедентов, а вторая — на анализе
пояснений. Обе методики являются сравнительно новыми, и читатель сможет вкратце
ознакомиться с ними в данной главе. Далее будет описана программа, в которой логический
вывод на основе прецедентов используется для обработки исключений из правил, а
основным инструментом решения проблем являются порождающие правила. Программа
обладает потенциальными возможностями обучения новым правилам [Golding and
Rosenbloom, 1991]. В конце главы будет рассмотрена система извлечения информации
SCALIR [Rose, 1994], в которой множество обычных символических методов
комбинируется с подходом, основанным на сетях подключений.
Методы обучения в системе ODYSSEUS Системы
ODYSSEUS и MINERVA Оболочка
экспертной системы MINERVA Обучение
в системе ODYSSEUS Использование
прецедентов для обработки исключений Гибридный
символический подход и нейронные сети Нейронные
сети SCALIR — гибридная
система для извлечения правовой информации Организация
обучения в системе SCALIRБудущее
гибридных систем Упражнения В
этой главе мы еще раз вспомним темы, рассмотренные в данной книге, и порекомендуем,
что нужно прочесть тем, кто пожелает еще глубже изучить их. Обзор организован
таким образом, что в нем в сжатом виде будет суммирован материал, разбросанный
по разным разделам. В ходе изложения тех или иных тем вам встретятся ссылки на
предыдущие главы, но я старался не злоупотреблять ими. В этой главе представлены
некоторые прогнозы дальнейших путей развития исследований в области искусственного
интеллекта и, в частности, экспертных систем, которые могут послужить материалом
для последующей очной или заочной дискуссии. Эти прогнозы представляют мое личное
мнение, если только не оговорено обратное, и читатели вольны отнестись к ним с
известной долей скептицизма. Загадка
искусственного интеллекта Представление
знаний Языки программирования
систем искусственного интеллекта Решение
практических проблем Архитектура
экспертных систем Программирование на языке CLIPS Краткая
история CLIPS А.2. Правила и функции в CLIPS Правила
и функции в CLIPS Факты
Правила Наблюдение
за процессом интерпретации Использование
шаблонов Определение
функций Объектно-ориентированные
средства в CLIPS Задача
"Правдолюбцы и лжецы" Анализ
проблемы Онтологический
анализ и представление знаний Разработка
правил Расширение
набора правил — работа с составными высказываниями Обратное
прослеживание и множество контекстов Обработка
метавысказываний Полный
листинг программыСтиль программирования
на языке CLIPS Упражнения |