ОТЛИЧИТЕЛЬНЫЕ ОСОБЕННОСТИ
Системы, основанные на знаниях, имеют свои особенности,
отличающие их от систем других типов.
1. Экспертиза может проводиться только в одной конкретной
области. Так, программа, предназначенная для определения кон-
фигурации систем ЭВМ, не может ставить медицинские диагнозы.
2. База знаний и механизм вывода являются различными ком-
понентами. Действительно, часто оказывается возможным сочетать
механизм вывода с другими базами знаний для создания новых
экспертных систем. Например, программа анализа инфекции в
крови может быть применена в пульманологии путем замены базы
знаний, используемой с тем же самым механизмом вывода.
3. Наиболее подходящая область применения - решение задач
дедуктивным методом. Например, правила или эвристики выража-
ются в виде пар посылок и заключений типа " если - то" (см.
следующую главу).
4. Эти системы могут объяснять ход решения задачи понятным
пользователю способом. Обычно мы не принимаем ответ эксперта,
если на вопрос " Почему? " не можем получить логичный ответ.
Точно так же мы должны иметь возможность спросить систему, ос-
нованную на знаниях, как было получено конкретное заключение.
5. Выходные результаты являются качественными (а не коли-
чественными).
6. Системы, основанные на знаниях, строятся по модульному
принципу, что позволяет постепенно наращивать их базы знаний.
ОБЛАСТИ ПРИМЕНЕНИЯ
Области применения систем, основанных на знаниях, могут
быть сгруппированы в несколько основных классов: медицинская
диагностика, прогнозирование, планирование, интерпретация, кон-
троль и управление, диагностика неисправностей в механических и
электрических устройствах, обучение.
38
39
Медицинская диагностика
Диагностические системы используются для установления
связи между нарушениями деятельности организма и их возмож-
ными причинами. Наиболее известна диагностическая система
MYCIN, которая предназначена для диагностики и наблюдения за
состоянием больного при менингите и бактериальных инфекциях.
Ее первая версия была разработана в Станфордском университете
в середине 70-х годов. В настоящее время эта система ставит диаг-
ноз на уровне врача-специалиста. Она имеет расширенную базу
знаний, благодаря чему может применяться и в других областях
медицины.
Прогнозирование
Прогнозирующие системы предсказывают возможные резуль-
таты или события на основе данных о текущем состоянии объекта.
Программная система " Завоевание Уолл-стрита1' может проанали-
зировать конъюнктуру рынка и с помощью статистических методов
и алгоритмов разработать для вас план капиталовложений на перс-
пективу. Она не относится к числу систем, основанных на зна-
ниях, поскольку использует процедуры и алгоритмы традицион-
ного программировании. Хотя пока еще отсутствуют экспертное
системы, которые способны за счет своей информации о конъюнк-
туре рынка помочь вам увеличить капитал, прогнозирующие сис-
темы уже сегодня могут -предсказывать погоду, урожайность и по-
ток пассажиров. Даже на персональном компьютере, установив
простую систему, основанную на знаниях, вы можете получить
очень точный местный прогноз погоды.
Планирование
Планирующие системы предназначены для достижения кон-
кретных целей при решении задач с большим числом переменных.
Далласская фирма Infomart впервые в торговой практике предоста-
вляет в распоряжение покупателей 13 рабочих станций, установ-
ленных в холле своего оффиса, на которых проводятся бесплатные
] 5-минутные консультации с целью помочь покупателям выбрать
компьютер, в наибольшей степени отвечающий их потребностям и
бюджету. Эта система использует пакет программ Personal Consul-
tant фирмы Texas Instruments и разработана отделением Вычисли-
тельной техники компании Boeing, расположенным в Сиэтле. Кро-
ме того, компания Boeing применяет экспертные системы для про-
ектирования космических станций, а также для выявления причин
отказов самолетных двигателей и ремонта вертолетов. Экспертная
система XCON, созданная фирмой DEC, служит для определения
40
или изменения конфигурации компьютерных систем типа VAX в
соответствии с требованиями покупателя. Фирма DEC в настоящее
время разрабатывает более мощную систему XSEL, включающую
базу знаний системы XCON, с целью оказания помощи покупате-
лям при выборе вычислительных систем с нужной конфигурацией.
В отличие от XCON система X$EL является интерактивной.
Интерпретация
Интерпретирующие системы обладают способностью получать
определенные заключения на основе результатов наблюдения. Сис-
тема PROSPECTOR, одна из наиболее известных систем интерпре-
тирующего типа, объединяет знания девяти экспертов. Используя
сочетание всех девяти методов экспертизы, системе удалось обна-
ружить залежи руды стоимостью в миллионы долларов, причем на-
личие этих залежей не предполагал ни один из девяти экспертов.
Другая интерпретирующая система - HASP/SIAP. Она определяет
местоположение и типы судов в Тихом океане по данным акусти-
ческих систем слежения.
Контроль и управление
Системы, основанные на знаниях, могут применяться в качес-
тве интеллектуальных систем контроля и принимать решения, ана-
лизируя данные, поступающие от нескольких источников. Такие
системы уже работают на атомных электростанциях, управляют
воздушным движением и осуществляют медицинский контроль.
Они могут быть также полезны при регулировании финансовой де-
ятельности предприятия и оказывать помощь при выработке реше-
ний в критических ситуациях.
Диагностика неисправностей в механических и
электрических устройствах
В этой сфере системы, основанные на знаниях, незаменимы
как при ремонте механических и электрических машин (автомоби-
лей, дизельных локомотивов и т.д.), так и при устранении неис-
правностей и ошибок в аппаратном и программном обеспечении
компьютеров. В частности, несколько лет назад в фирме General
Electric специалисты по ремонту дизельных локомотивов должны
были выйти на пенсию. Чтобы сохранить для фирмы их опыт и
знания, администрация приняла решение построить экспертную
систему, в которой были бы представлены все инженерные знания,
накопленные за последние годы.
41
| ется с этим лучше). В свою очередь традиционные компьютерные
программы оказываются эффективнее систем, основанных на зна-
ниях, в тех случаях, когда решение задачи связано с привлече-
нием процедурного анализа. Системы, основанные на знаниях, бо-
лее подходят для решения задач, где требуются формальные рас-
суждения.
4. Должен быть по крайней мере один эксперт, который спосо-
бен явно сформулировать свои знания и объяснить методы приме-
нения этих знаний для решения задач.
В табл. 2.1 приведены сравнительные свойства прикладных за-
дач, по наличию которых можно судить о целесообразности ис-
пользования для их решения экспертных систем.
В целом экспертные системы не рекомендуется применять для
решения следующих типов задач:
* математических, решаемых обычно путем формальных пре-
образований и процедурного анализа;
* задач распознавания, поскольку в общем случае они реша-
ются численными методами;
* задач, знания о методах решения которых отсутствуют (не-
возможно построить базу знаний).
Таблица 2.1
Критерии применимости экспертных систем
|
Обучение
Системы, основанные на знаниях, могут входить составной
частью в компьютерные системы обучения. Система получает ин-
формацию о деятельности некоторого объекта (например, студен-
та) и анализирует его поведение. База знаний изменяется в соот-
ветствии с поведением объекта. Примером такого обучения может
служить компьютерная игра, сложность которой автоматически
увеличивается по мере возрастания степени квалификации игра-
ющего. Одной из наиболее интересных обучающих экспертных сис-
тем является разработанная Д. Ленатом система EURISKO, кото-
рая использует простые эвристики. Эта система была опробована в
игре Т. Тревеллера, имитирующей боевые действия. Суть игры
состоит в том, чтобы определить состав флотилии, способной нане-
сти поражение противнику в условиях неизменяемого множества
правил. Система EURISKO включила в состав флотилии нсболь-
• шие, способные провести быструю атаку корабли и одно очень ма-
ленькое скоростное судно и постоянно выигрывала в течение трех
лет, несмотря на то что в стремлении воспрепятствовать этому
правила игры меняли каждый год.
Большинство экспертных систем включают знания, по содер-
жанию которых их можно отнести одновременно к нескольким ти-
пам. Например, обучающая система может также обладать знани-
ями, позволяющими выполнять диагностику и планирование. Она
определяет способности обучаемого по основным направлен
курса, а затем с учетом полученных данных составляет учебный
план. Управляющая система может применяться для целей контро-
ля, диагностики, прогнозирования и планирования. Система, обес-
печивающая сохранность жилища, может следить за окружающей
обстановкой, распознавать происходящие события (например, от-
крылось окно), выдавать прогноз (вор-взломщик намеревается про- |
никнуть в дом) и составлять план действий (вызвать полицию).
КРИТЕРИИ ИСПОЛЬЗОВАНИЯ
Существует ряд прикладных задач, которые решаются с помо-
щью систем, основанных на знаниях, более успешно, чем любыми
другими средствами. При определении целесообразности примене-
ния таких систем нужно руководствоваться следующими критери-
ями.
1. Данные и знания надежны и не меняются со временем.
2. Пространство (или область) возможных решений относите-
льно невелико.
3. В процессе решения задачи должны использоваться форма- I
ль н ые рассуждения. Существующие системы, основанные на зна-
ниях, пока еще не пригодны для решения задач методами прове-
дения аналогии или абстрагирования (человеческий мозг справля-
42
Применимы
Не могут быть построены
строгие алгоритмы или
процедуры, но существуют
эвристические методы решения
Есть эксперты, способные
решить задачу
По своему характеру задачи
относятся к области диагнос-
тики, интерпретации или
прогнозирования
Доступные данные " зашумлены"
Задачи решаются методом
Формальных рассуждений
Знания статичны (неизменны)
Неприменимы
Имеются эффективные
алгоритмические методы
Отсутствуют эксперты или их
число недостаточно
Задачи носят вычислительный
характер
Известны точные факты и стро-
гие процедуры
Задачи решаются процедур-
ными методами, с помощью
аналогии или интуитивно
Знания динамичны (меняются
со временем)
43
ОГРАНИЧЕНИЯ
Даже лучшие из существующих экспертных систем, которые
эффективно функционируют как на больших, так и на мини-ЭВМ,
имеют определенные ограничения по сравнению с человеком -
экспертом.
1. Большинство экспертных систем не вполне пригодны для
применения конечным пользователем. Если вы не имеете некото-
рого опыта работы с такими системами, то у вас могут возникнуть
серьезные трудности. Многие системы оказываются доступными
только тем экспертам, которые создавали их базы знаний,
2. Вопросно-ответный режим, обычно принятый в таких систе-
мах, замедляет получение решений. Например, без системы
MYCIN врач может (а часто и должен) принять решение значи-
тельно быстрее, чем с ее помощью.
3. Навыки системы не возрастают после сеанса экспертизы.
4. Все еще остается проблемой приведение знаний, получен-
ных от эксперта, к виду, обеспечивающему их эффективную ма-
шинную реализацию.
5. Экспертные системы не способны обучаться, не обладают
здравым смыслом. Домашние кошки способны обучаться даже без
специальной дрессировки, ребенок в состоянии легко уяснить, что
он станет мокрым, если опрокинет на себя стакан с водой, однако
если начать выливать кофе на клавиатуру компьютера, у него не
хватит " ума" отодвинуть ее. '
6. Экспертные системы неприменимы в больших предметных
областях. Их использование ограничивается предметными областя-
ми, в которых эксперт может принять решение за время от нес-
кольких минут до нескольких часов.
7. В тех областях, где отсутствуют эксперты (например, в аст-
рологии), применение экспертных систем оказывается невозмож- '
ным.
8. Имеет смысл привлекать экспертные системы только для
решения когнитивных задач. Теннис и езда на велосипеде не могут
являться предметной областью для экспертных систем, однако та-
кие системы можно использовать при формировании футболы
команд.
9. Человек-эксперт при решении задач обычно обращается к
своей интуиции или здравому смыслу, если отсутствуют формаль-
ные методы решения или аналоги таких задач. Это подтверждает
следующий пример. Как-то один банковский служащий был напра-
влен в Южноамериканский банк, который просил предоставить
ему заем, и посвятил несколько дней изучению его финансовых
документов. По всем формальным показателям получалось, что
этот банк является достаточно надежным. Однако банковский слу-
жащий, основываясь на своем опыте и интуиции, рекомендовал от-
казать в заеме. Через несколько недель банк " лопнул".
44
Системы, основанные на знаниях, оказываются неэффектив-
ными при необходимости проведения скрупулезного анализа, когда
число " решений" зависит от тысяч различных возможностей и
многих переменных, которые изменяются во времени. В таких слу-
чаях лучше использовать базы данных с интерфейсом на естест-
венном языке.
ПРЕИМУЩЕСТВА
Системы, основанные на знаниях, имеют определенные преи-
мущества перед человеком-экспертом.
1. У них нет предубеждений. ,
2. Они не делают поспешных выводов.
3. Эти системы работают систематизирование рассматривая
все детали, часто выбирая наилучшую альтернативу из всех
возможных.
4. База знаний может быть очень и очень большой. Врач
имеет ограниченную базу знаний, и если данные долгое время не
используются, то они забываются и навсегда теряются. Например,
сельский врач может ошибиться при распознавании конкретного
заболевания ввиду его уникальности или потому, что он никода не
встречался с ним прежде. Ничего подобного не может произойти с
компьютерной экспертной системой. Будучи введены в машину
один раз, знания сохраняются навсегда.
5. Системы, основанные на знаниях, устойчивы к " помехам".
Эксперт пользуется побочными знаниями и легко поддается влия-
нию внешних факторов, которые непосредственно не связаны с ре-
шаемой задачей. Экспертные системы, не обремененные знаниями
из других областей, по своей природе менее подвержены " шумам".
Со временем системы, основанные на знаниях, могут рассматрива-
ться пользователями как разновидность средств тиражирования -
новый способ записи и распространения знаний. Подобно другим
видам компьютерных программ они не могут заменить человека в
решении задач, а скорее напоминают орудия труда, которые дают
ему возможность решать задачи быстрее и эффективнее. Эти сис-
темы не заменяют специалиста, а являются инструментом в его
руках.
ВОЗМОЖНОСТИ РЕАЛИЗАЦИИ НА
ПЕРСОНАЛЬНЫХ КОМПЬЮТЕРАХ
Системы, основанные на знаниях, как правило, требуют для
своей реализации большого объема памяти ЭВМ и быстродейству-
ющих процессоров. Значительная часть памяти расходуется на
хранение базы знаний и эвристик, которые используются для по-
лучения решения. Собственно же " программа" совсем невелика (в
45
последующих главах при непосредственном знакомстве с эксперт-
ными системами, описанными в книге, вы узнаете, что собственно
программа занимает объем памяти компьютера IBM PC приблизи-
тельно в 30000 байт, т.е. намного меньший, чем редакторы, элек-
тронные таблицы или системы управления базами данных).
Однако большие объемы памяти необходимы для хранения баз
знаний экспертных систем. В персональном компьютере с памятью
объемом 640000 байт может храниться не более нескольких сотен
правил и пары дюжин заключений. Поэтому в настоящее время
такие системы (одна из них описана в нашей книге) могут приме-
няться только для решения задач из очень небольших предметных
областей, для разработки прототипов больших систем и обучения
азам построения экспертных систем. Экспертные системы, реализо-
ванные на персональных компьютерах, имеют несколько возмож-
н ых областей применения:
* расчет почтовых расходов и установление кратчайшего пути
транспортировки почтового отправления в зависимости от его веса
и пункта назначения,
* анализ альтернативных вариантов телефонной связи с целью
выявления варианта с наименьшей стоимостью;
* диагностика отказов автоматики;
* анализ спроса покупателей на компьютеры и определение
конфигурации систем мини-ЭВМ;
* местный прогноз погоды;
* обеспечение безопасности; .
* использование солнечной энергии;
* анализ отчетов о поездках (командировках) для получения
обобщенных выводов;
* анализ ин д ивидуальных стратегий капиталовложений;
* интерпретация результатов электрофореза.
Размеры базы знаний не всегда определяют качество системы
по критерию " стоимость-эффективность". Шолом М. Вейс и Кази-
мир А, Куликовски из Рутжерского университета и Роберт С.Гален
из Колумбийского университета совместно разработали в 1980 г.
ориентированную на микроЭВМ систему интерпретации результа-
тов электрофореза, которая использовала всего 82 правила. Как
выяснилось, эта система дает приемлемые результаты практически
во всех случаях ее применения.
Ограничения экспертных систем, реализованных на персона-
льных компьютерах, обусловлены только размером их памяти и
быстродействием процессоров и, по существу, являются времен-
ными. Сегодня рынок экспертных систем для персональных компь-
ютеров постоянно расширяется. Уже более ста компаний, желая
удовлетворить растущий спрос покупателей, включили в состав
своей продукции экспертные системы. Можно провести интересную
параллель между разработкой в наши дни экспертных систем для
46
персональных компьютеров и созданием несколько лет назад
СУБД для компьютеров этого же типа. При проектировании пер-
вых СУБД для персональных компьютеров разработчики использо-
вали принципы, положенные в основу уже существующего прог-
раммного обеспечения для больших ЭВМ, и пытались перенести
имеющиеся программные продукты на микрокомпьютеры. Однако
все их попытки потерпели неудачу, чего нельзя сказать о СУБД
нового типа dBASE II, которой даже не пытались придать стандарт-
ный вид реляционной СУБД. Многие концепции, разработанные
для больших ЭВМ, оказались применимы и к микрокомпьютерам,
но принципы построения и эксплуатации СУБД радикально отли-
чаются от ранее принятых. Не происходит ли то же самое и с
экспертными системами?
Одной из наиболее популярных экспертных систем для персо-
нальных компьютеров считается Expert-Easy, функционирующая
по совершенно иной схеме, нежели традиционные экспертные сис-
темы. Конкурентоспособными из всех фирм-производителей экс-
пертных систем могут стать только те, которые проявляют изобре-
тательность в поиске новых путей систематического применения
знаний и методов инженерии знаний при решении задач. Исполь-
зование почти всех существующих ныне экспертных систем требу-
ет наличия определенных навыков программирования. Для того
чтобы экспертные системы когда-нибудь действительно стали по-
лезным инструментом в руках бизнесменов и специалистов из са-
мых различных областей, необходимо развить эти системы до та-
кого уровня, при котором возможно общение с ними на естествен-
ном языке, что сделает их доступными не только программистам,
но и пользователям.
ЭВРИСТИЧЕСКИЕ И АЛГОРИТМИЧЕСКИЕ МЕТОДЫ
РЕШЕНИЯ ЗАДАЧ
В настоящее время ЭВМ используются преимущественно в тех
областях, где для решаемых задач существуют точно определенные
методы, или алгоритмы. Алгоритм представляет собой системати-
ческую процедуру, которая может быть применена для решения
некоторой задачи. Он гарантирует правильное завершение вычис-
лений к при повторных применениях будет давать те же результа-
ты. Так, вычисление ежемесячных платежей за купленный в кре-
дит автомобиль и есть тот самый алгоритм, или правильно опреде-
ленная процедура. Для реализации такого алгоритма нужны неко-
торые входные данные: величина кредита, число месяцев, на кото-
рые он предоставлен, норма процента. На основе этих данных про-
цедура (алгоритм) может вычислить размер месячного платежа.
Одни и те же входные данные всегда приводят к одному и тому же
результату.
47
Напротив, обнаружение неисправности в вашем автомобиле
требует совсем иного подхода к решению задачи. Допустим, одна-
жды утром ваш автомобиль не завелся - не работает стартер. Вы
предполагаете, что имеются неполадки в системе электропитания,
и пытаетесь найти ту часть системы, которая не работает: стартер
двигателя, тяговое реле стартера, реле-регулятор или аккумулятор.
Если у вас есть подозрения, что неполадки в аккумуляторе, то сле-
дует проверить его контакты, степень заряженности, а также плот-
ност ь электролита. Со временем вы обнаружите истинную причину
неисправности.
При решении этой проблемы вы опирались на эвристики, т.е.1
применяли приемы, которые повышают эффективность процесса
решения задачи, даже если их природа не может быть строго объ-
яснена. Эвристики уменьшают время решения задачи путем сокра-
щения числа переборов в заданном пространстве поиска. Так, в
примере с автомобилем нет необходимости проверять уровень ох-
лаждающей жидкости в радиаторе, поскольку уже на первых ша-
гах выяснилось, что неполадки - в системе электропитания стар-
тера. Хотя эвристики не гарантируют нахождение решения, они
позволяют сократить время, требуемое для решения очень слож-
ных задач. Их можно сравнить с фильтрами в процессе сопоставле-
ния по образцу, которые дают возможность системе сфокусировать
внимание лишь на нескольких основных образцах.
Задача обнаружения неполадок в автомобиле не может быть
решена с помощью процедурных методов, как это принято в тради-
ционном программировании. По своей природе она существенно,
отличается от задачи вычисления ежемесячных платежей за куп-
ленный в кредит автомобиль. Задача обнаружения неисправностей
довольно плохо структурирована, и поэтому практически невозмо-
жно построить какую-либо процедуру, гарантирующую ее реше-
ние. Мы можем рассматривать эту задачу как поиск в простран-
стве состояний, где каждое состояние может стать частичным
решением, т.е. составляющей конечного решения. Осуществляя
поиск, мы надеемся, что приближаемся к конечной цели, хотя
твердо уверенными в этом быть не можем. Однако можно сформи- g
ровать такие эвристики, которые помогут нам минимизировать
число переборов в пространстве состояний и в случае удачи
приблизить нас к цели - запуску двигателя автомобиля.
На ранних этапах большинство исследований по искусственно-
му интеллекту было направлено на построение эвристик для реше-
ния задач, что привело к тупиковой ситуации. В настоящее время
акцент в этой области сместился. Сегодня исследования ориентиро-
ваны на разработку способов определения и организации (построе-
ния чанков) знаний в структуры, используемые для решения плохо
структурированных проблем, которые не под силу даже специалис-
там.
48
СИМВОЛЬНАЯ И ЧИСЛОВАЯ
ОБРАБОТКА ДАННЫХ
Почти все современные компьютеры осуществляют числовую
обработку данных, и по таким параметрам, как надежность и ско-
рость вычислений, они делают это лучше, чем человек. И наобо-
рот, человеческий мозг более адаптирован к символьной обработке,
чем мощнейшие компьютеры. Шахматист, играя партию, исполь-
зует символьную обработку. Возможности для хорошего хода
повышаются, если рассматривать расположение фигур на доске как
совокупность типовых позиций, или чанков. Шахматист сравнива-
ет совокупность позиций с образами, хранящимися в его долговре-
менной памяти. Его мысль направлена на создание ситуации, в
которой он может поставить мат противнику. Компьютер, напро-
тив, медлителен и неэффективен в символьной обработке, посколь-
ку выиграть партию он может, только перебрав практически все
возможные ходы (здесь он более искусен, чем человек). В своем
стремлении к победе компьютер применяет некоторые эвристики,
которые позволяют ему минимизировать число ходов, подлежащих
просмотру.
Создание экспертных систем можно рассматривать как попыт-
ку наделить компьютер способностью выполнять символьную обра-
ботку, аналогичную той, которую выполняет человек, и тем самым
поднять компьютер в пределах ограниченной предметной области
до уровня эксперта. Под предметной областью здесь следует по-
нимать совокупность взаимосвязанных знаний. Различают прес-
криптив н ые (предписывающие) и д е скриптивные (описательные)
системы. Шахматная программа является прескриптивной, поско-
льку использует предварительно заданный алгоритм и процедуру
вычисления оценки любого возможного хода. На каждом шаге она
должна выбирать, ход с наибольшей оценкой, опираясь на эвристи-
ки, чтобы уменьшить число ходов, для которых необходимо вычис-
лять оценки. В дескриптивной системе, напротив, процесс решения
задачи управляется не процедурой, а знаниями, хранимыми в базе
знаний. Процедура фактически существует, но задана неявно.
Принципы функционирования таких систем подробно описаны в
следующей главе. Большинство языков программирования, напри-
мер Бейсик, Паскаль, Си, Фортран, ориентированы на поддержку
прескриптивных процессов решения задач. Как вы увидите в гл.6 и
10, для поддержки дескриптивных процессов решения необходимы
специальные языки (и элементы аппаратуры).
Символ можно определить как некоторый компонент структу-
ры знаний, Примеры символов - четыре, Джек, Спарроу, 3.1416,
дочь. Одной из важных предпосылок любого исследования по ис-
кусственному интеллекту является разработка формальных языков
Для описания символьных преобразований. В гл.4 мы покажем вам,
49
| как такие формальные языки могут быть использованы для пред-
ставления знаний.
|
| РАССУЖДЕНИЯ С РАСШИРЯЮЩИМСЯ И
УМЕНЬШАЮЩИМСЯ МНОЖЕСТВОМ ЗАКЛЮЧЕНИЙ
Традиционные вычислительные системы хорошо приспособле-
ны для выполнения рассуждений с расширяющимся множеством
заключений. При небольшом числе входных данных эти
компьютеры могут породить практически бесконечное число
входных данных (результатов). Человеку же и системам,
основанным на знаниях, более свойственны рассуждения
уменьшающимся множеством заключений, когда он получает
: ничные результаты на основе больших массивов данных.
Например, ученый может затратить годы на анализ данных о
каком-либо явлении для получения результата, который будет
удостоен Нобелевской премии.
Таблица 2. 2
Сравнение свойств обычных ЭВМ и компьютеров
для реализации экспертных систем
|
Свойства обычных компьютеров
Процедурно управляемый поток
вычислений
Числовая обработка
Рассуждения с расширяющимся
множеством выводов
Фон-неймановсксая архитектура
Алгоритмическая обработка
Обслуживание программистами
Последовательная обработка
Структурированный процесс
проектирования (линейный)
Свойства компьютеров для
экспертных систем
Поток вычислений, управляв
мый данными
Символьная обработка
Рассуждения с уменьшающимся
множеством выводов
Архитектура, отличная от
фон-неймановской
Эвристическая обработка
Обслуживание инженерами
знаний
Интерактивная и параллельная
обработка
Интерактивный процесс
проектирования (циклический)
В ыводы
Системы, основанные на знаниях, представляют собой особый
тип компьютерных систем, которые во многом отличаются от тра-
диционных. Они используют декларативно заданные алгоритмы,
символьную обработку и рассуждения с уменьшающимся множест-
вом выводов (табл. 2.2). Новая архитектура компьютеров, подхо-
дящая для реализации таких систем, еще только начинает создава-
ться, однако уже сейчас ясно, что она должна быть ориентирована
на параллельную, а не на последовательную обработку, которую
выполняют существующие машины. Значительным вкладом в раз-
витие экспертных систем будет разработка выразительных спосо-
бов представления знаний и более глубокое изучение механизмов
решения задач, особенно тех из них, которые неточно определены
и плохо структурированы.
УПРАЖНЕНИЯ
1. Для каждой из перечисленных ниже прикладных областей укажите, какие
способы решения задач окажутся наиболее эффективными - с помощью систем,
основанных на знаниях, или традиционное программирование, и почему:
а)управление предприятием;
б) ремонт ЭВМ;
в)классификация видов в биологии (птиц, цветов и т.д.);
г)составление меню;
д) объяснение результатов химического анализа крови при внутренних
заболеваниях;
е)планирование учебных программ;
ж)анализ возможных вариантов капиталовложений (финансовое планирова-
ние).
2. Назовите известную вам прикладную задачу, которая в настоящее время
требуег привлечения специалистов. Могут ли специалисты использовать для
решения этой задачи экспертную систему? Поясните свой ответ.
3. Представьте прикладную область, в которой существующие экспертные зна-
ния постоянно увеличиваются, что со временем делает невозможной их
эффективную обработку человеком. Что произойдет в таком случае с накопленными
знаниями и как их применить?
4. Какая из выполняемых вами в настоящее время задач, которая сегодня вам
по силам, несколько десятков лет назад потребовала бы привлечения специалиста?
50
Глава 3
СТРУКТУРА СИСТЕМ
ОСНОВАННЫХ НА ЗНАНИЯХ
В настоящей главе рассматривается конкретный тип систем,
основанных на знаниях, - продукционные системы. Их также ино-
гда называют системами, основанными на правилах, или система-
ми с выводом, использующим сопоставление по образцу. Здесь
описываются компоненты этих систем и схемы их функциониро-
вания. В заключение главы дается краткий обзор некоторых про-
мышленных систем, разработанных с помощью такой модели пред-
ставления знаний.В следующей главе мы обсудим другие типы сис-
тем, основанных на знаниях.
ПРОДУКЦИОННЫЕ СИСТЕМЫ
Вычислительный процесс в продукционных системах суще
венно отличается от классической фон-неймановской схемы, при-
нятой в большинстве компьютеров. В компьютерах с фон-нейма-
новской архитектурой и программы, и данные при вычислений
находятся вместе в одной области памяти, Программа представляет
собой последовательность действий, записанных в памяти, по пре-
образованию данных для получения требуемого результата. Прог-
рамма может даже преобразовывать самою себя как данные, изме-
няя тем самым последовательность своих действий. В противополо-
жность этому продукционная система почти не имеет процедурных
компонентов и практически полностью управляется данными, т.е.
является дескриптивной. Продукционная система включает три ос-
новных составляющих: базу правил, рабочую память и механизм
вывода. В дополнение к ним для поддержки работы системы и реа-
лизации интеллектуального взаимодействия с пользователем в нее
обычно входят еще и подсистема приобретения знаний, средства
общения на естественном языке, а также подсистема объяснения
(рис.3.1).
52
Рис. 3.1. Структура экспертной системы продукционного типа
Память для хранения правил (база правил)
Если вы когда-нибудь наблюдали за тем, как подходит к ре-
шению задачи поиска неисправности в автомобиля профессионал
(здесь мы возвращаемся к примеру из предыдущей главы), то за-
метили, что для ее решения он использует определенную страте-
гию или эвристики. Даже плохо представляя себе истинную при-
чину неполадок, он все равно осуществляет поиск вполне целенап-
равленно и не производит впечатления человека, который не зна-
ет, что предпринять в конкретной ситуации.
Обнаружив, что анализируемая система (в данном случае ав-
томобиль) неисправна, специалист пытается определить ту ее под-
систему, в которой могут быть неполадки (подсистема электропи-
тания, охлаждения, подачи топлива и т.д.). После выявления та-
кой подсистемы он приступает к поиску неисправных компоненто в
(рис. 3.2). Этот процесс выглядит так, как будто специалист посто-
янно обращается к неявно заданному множеству правил, получая
промежуточные заключения при выполнении к а к их либо условий.
Промежуточные заключения в свою о чер е дь становятся у словия м и
для вывода следующих заключений.
Например, в рассматриваемом случае (с упрощенн ы м и прави -
лами) цепь рассуждений будет выглядеть приблизительно так:
двигатель не заводится
стартер двигателя не работает
неполадки - в системе электропитания
стартера
двигатель не заводится
стартер двигателя нe работает
неполадки - в системе подачи топлива
рукции получили название продукционных правил. Каждое пра-
вило складывается из двух частей. Первая из них - антецедент,
или посылка правил, - состоит из элементарных предложений, сое-
диненных логическими связками И, ИЛИ и т.д. Вторая часть, на-
зываемая консеквентом, или заключением, состоит из одного или
нескольких предложений, которые образуют выдаваемое правилом
решение либо указывают на действие, подлежащее выполнению
(рис. 3.3). Антецедент представляет собой образец правила,
предназначенного для распознавания ситуации, когда оно должно
сработать. Правило срабатывает, если факты из рабочей памяти
(см. следующий раздел) при сопоставлении совпали с образцом,
е чего правило считается отработавшим.
ЕСЛИ
И
ВЫВОД
ЕСЛИ
И
ВЫВОД
неполадки в системе подачи топлива
показатель уровня топлива
находится на нуле
газовая камера пуста
неполадки в системе электропитания
стартера
нарушены контакты аккумулятора
плохо присоединен аккумулятор
Рис. 3.2. Иерархическая схема поиска неисправностей в автомобиле
ЕСЛИ двигатель не заводится
И стартер двигателя не | антецедент
работает
ТО неполадки - в системе
электропитания стартера | консеквент
Таким образом, наша система, основанная на знаниях, в каче-
стве одного из компонентов должна включать память дл я хране-
ния правил, которая содержит набор срабатывающих в определен-
ных ситуациях правил, имеющих форму ЕСЛИ-ТО. Такие конст-
54
Рис. 3.3. Пример продукционного правила
55
Каждое правило в этом простом примере содержит атрибуты
и значения. Так, в первом правиле выражение " не заводится"
является значением, а слово " двигатель" - атрибутом (рис. 3.4).
Любое правило состоит из одной или нескольких пар атрибут -
значение и заключения.
Продукционную модель, послужившую нам для построения
базы правил, по сути можно рассматривать как вариант модели
" стимул-реакция", которая была предложена в психологии и тео-
рии автоматов задолго до появления экспертных систем. Многие
ученые полагают, что эта модель вполне адекватно описывает
поведение человека.
| Зн ачение
Не заводится
Не работает
Неисправна
|
Атрибут
Двигатель
Стартер двигателя
Система электропита-
ния стартера
Рис. 3.4. Пары атрибут-значение
1
Рабочая память (база данных)
Другая важная' часть системы, основанной на знаниях, - рабо-
чая память (база данных). В этой памяти хранятся множество
фактов, описывающих текущую ситуацию, и все пары атрибут-зна-
чение, которые были установлены к определенному моменту. Со-
держимое рабочей памяти со временем изменяется, увеличиваясь в
объеме по мере срабатывания правил1. В приведенном выше при-
мере до начала процесса вывода /в рабочей памяти находились
только следующие факты: двигатель не заводится; стартер двигате-
ля не работает. После применения первого правила в рабочую па-
мять добавится новый факт, система электропитания стартера не-
исправна. В конце концов будет выведено окончательное решение,
которое также заносится в рабочую память. Последняя представля-
ет собой динамическую часть базы знаний, изменяющуюся со вре-
менем. Ее содержимое зависит и от состояния окружающей среды.
Вообще гов ор я, объем рабочей памяти может и уменьшаться. Это происхо-
дит к том случае, если действие пралила состоит в удалении каких-либо факто н. -
Прим. персе.
56
Новые факты, добавляемые в рабочую память, являются резуль-
татом вывода, который состоит в применении правил к имеющимся
фактам. База знаний включает в себя совокупность правил и со-
держимое рабочей памяти.
• В системах с монотонным выводом факты, хранимые в рабо-
чей памяти, статичны, т.е. не изменяются в процессе решения
задачи. В системах с немонотонным выводом допускается измене-
ние или удаление фактов из рабочей памяти. В качестве примера
системы с немонотонным выводом можно привести экспертную
систему, предназначенную для составления перспективного плана
капиталовложений компании. В такой системе по вашему желанию
могут быть изменены даже те данные, которые после ввода уже
вызвали срабатывание каких-либо правил. Иными словами, имеет-
ся возможность модифицировать значения атрибутов в составе
фактов, находящихся в рабочей памяти. Изменение фактов в свою
очередь приводит к необходимости удаления из рабочей памяти
подключений, полученных с помощью упомянутых правил. Тем са-
мым вывод выполняется повторно для того, чтобы пересмотреть те
решения, которые были получены на основе подвергшихся измене-
нию фактов.
Механизм вывода (интерпретатор правил)
Механизм вывода (интерпретатор правил) выполняет две фун-
кции: во-первых, просмотр существующих фактов из рабочей па-
мяти и правил из базы знаний и добавление(по мере возможности)
в рабочую память новых фактов и, во-вторых, определение поряд-
ка просмотра и применения правил. Этот механизм управляет
процессом консультации, сохраняя для пользователя информацию
о полученных заключениях, и запрашивает у него информацию,
когда для срабатывания очередного правила в рабочей памяти ока-
зывается недостаточно данных.
В некоторых системах принят прямой порядок вывода - от
фактов, которые находятся в рабочей памяти, к заключению. В
других системах вывод осуществляется в обратном порядке; заклю-
чения просматриваются последовательно до тех пор, пока не будут
обнаружены в рабочей памяти или получены от пользователя фак-
ты, подтверждающие одно из них. В подавляющем большинстве
систем, основанных на знаниях, механизм вывода представляет
собой небольшую по объему программу. Основную же часть памя-
ти компьютера занимают правила.
Выше уже отмечалось, что механизм вывода включает в себя
два компонента - один из них реализует собственно вывод, другой
управляет этим процессом. Компонент вывода выполняет первую
задачу, просматривая имеющиеся правила и факты из рабочей па-
мяти и дабавляя в последнюю новые факты при срабатывании ка-
кого-нибудь правила. Управляющий компонент определяет порядок
57
применения правил. Рассмотрим каждый из этих компонентов бо-
лее подробно.
Компонент вывода. Его действие основано на применении
правила вывода, обычно называемого модус поненс, суть которого
состоит в Следующем: пусть известно, что истинно утверждение А
и существует правило вида " ЕСЛИ А, ТО В", тогда утверждение В
также истинно. Правила срабатывают, когда находятся факты,
удовлетворяющие их левой части: если истинна посылка, то долж-
но быть истинно и заключение.
Хотя в принципе на первый взгляд кажется, что такой вывод
легко может быть реализован на компьютере, тем не менее на
практике человеческий мозг все равно оказывается более эффекти-
вным при решении задач. Рассмотрим, например, простое предло-
жение:
Мэри искала ключ.
Здесь для слова " ключ" допустимы как минимум два значе-
ния: " родник" и " ключ от квартиры". В следующих же двух пред-
ложениях одно и то же слово имеет совершенно разные значения:
Мы заблудились в чаще.
Нужно чаще ходить в театры.
Понять факты становится еще сложнее, если они являются
составными частями продукций, которые используют правило
модус поненс для вывода заключений. Приведем такой пример:
ЕСЛИ Белый автомобиль легко заметить ночью
И Автомобиль Джека белый
ТО Автомобиль Джека легко заметить ночью
Это заключение легко выведет даже ребенок, но оно оказыва-
ется не под силу ни одной из современных экспертных систем,
как, впрочем, и какому бы то ни было животному. Другой пример:
ЕСЛИ Сюзанна была в ресторане Сильвии
И Заказала там бифштекс
И Заплатила официанту за бифштекс
ТО Сюзанна съела бифштекс в ресторане Сильвии
И в этом случае утверждение, содержащееся в заключитель-
ной части приведенной продукции, очевидно для любого человека,
но вывод его без дополнительного правила находится за пределами
возможностей существующих систем, основанных на знаниях. Под-
водя итоги, можно сказать, что человек способен вывести большое
число заключений с помощью очень большой базы знаний, которая
хранится в его памяти; экспертные же системы могут вывести то-
лько сравнительно небольшое число заключений, используя задан-
ное множество правил.
58
Компонент вывода должен обладать способностью функциони-
ровать в условиях недостатка информации. В нашем примере с
поиском неисправности в автомобиле факт нарушения контактов
аккумулятора мог и отсутствовать в рабочей памяти системы в
начале сеанса консультации. Конечно, компонент вывода мог бы
обратиться к пользователю за сведениями о состоянии контактов.
Ну, а если и ему она неизвестна? Механизм вывода должен быть
способен продолжить рассуждения и со временем найти решение
даже при недостатке информации. Это решение может и не быть
точным, однако система ни в коем случае не должна останавлива-
ться из-за того, что отсутствует какая-либо часть входной инфор-
мации (как, например, обычная программа, определяющая целесо-
образность предоставления займа).
Управляющий компонент. Этот компонент определяет поря-
док применения правил, а также устанавливает, имеются ли еще
факты, которые могут быть изменены в случае продолжения кон-
сультации (вспомните обсуждение монотонного и немонотонного
выводов). Управляющий компонент выполняет четыре функции:
1.Сопоставление - образец правила сопоставляется с име-
ющимися фактами.
2.Выбор - если в конкретной ситуации могут быть применены
сразу несколько правил, то из них выбирается одно, наиболее
подходящее по заданному критерию (разрешение конфликта).
3.Срабатывание - если образец правила при сопоставлении
совпал с какими-либо фактами из рабочей памяти, то правило
срабатывает.
4.Действие - рабочая память подвергается изменению путем
добавления в нее заключения сработавшего правила. Если в пра-
вой части правила содержится указание на какое-либо действие, то
оно выполняется (как, например, в системах обеспечения безопас-
нести информации).
Интерпретатор продукций работает циклически. В каждом
цикле он просматривает все правила, чтобы выявить среди них те,
посылки которых совпадают с известными на данный момент фак-
тами из рабочей памяти. Интерпретатор определяет также порядок
применения правил. После выбора правило срабатывает, его зак-
лючение заносится в рабочую память, и затем цикл повторяется
сначала.
В одном цикле может сработать только одно правило. Если не-
сколько правил успешно сопоставлены с фактами, то интерпрета-
тор производит выбор по определенному критерию единственного
правила, которое и сработает в данном цикле. Цикл работы интер-
претатора схематически представлен на рис. 3.5. Информация из
рабочей памяти последовательно сопоставляется с посылками пра-
вил для выявления успешного сопоставления. Совокупность отоб-
ранных правил составляет так называемое конфликтное множес-
тво. Для разрешения конфликта интерпретатор имеет критерий, с
59
помощью которого он выбирает единственное правило, после чего
оно срабатывает. Это выражается в занесении фактов, образующих
заключение правила, в рабочую память или в изменении критерия
выбора конфликтующих правил. Если же в заключение правила
входит название какого-нибудь действия, то оно выполняется (на-
пример, подается звуковой сигнал, начинает выполняться процеду-
ра, запускается двигатель и т.д.
Рис. 3.5. Цикл работы интерпретатора
Новые данные, введенные в систему сработавшим правилом, в
свою очередь могут изменить критерий выбора правила. В том слу-
чае, если, например, компьютерная система, .предназначенная для
игры в шахматы, разыгрывает партию за двух игроков, то она мо-
жет принять решение придерживаться атакующей стратегии через
ход, т.е. атаковать будет один из партнеров. Если вы сами играете
с этой системой, то в какой-то момент она может перейти к ис-
пользованию оборонительной стратегии (по крайней мере времен-
но), а затем опять вернуться к наступательной игре. Изменение
критерия основывается на заключениях, полученных после анали-
за положения на доске, которое представлено в рабочей памяти
системы, а также правил игры (статических структурных знаний)
и структурных динамических знаниях (эвристиках).
60
В действительности экспертные системы не располагают про-
цедурами, которые могли бы построить в пространстве состояний
сразу весь пути решения задачи. Более того, зачастую даже не
удается определить, имеется ли вообще какое-нибудь решение за-
дачи. Тем не менее поиск решения выполняется, поскольку движе-
нием в пространстве состояний управляют скрытые или виртуаль-
ные процедуры. Они получили название демонов, поскольку во
время работы системы находятся в “засаде” и активизируются в
только тогда, когда их просят о помощи, т.е. на самом деле ведут
себя как добрые демоны.
Свое название демоны получили от “демона Максвелла “
действующегоующего лица одного из мысленных экспериментов предложенного его автором для критики законов термодинамики.
Другим их прообразом является Пандемониум Оливер Селфриджа первой модели человека, в которой деятельность биологической системы представлялась как работа вызываемых по образцу демонов. Если же воспользоваться научной терминологией, то такие управляющие процедуры получили название недетерминированных. Это означает, что траектория поиска решения в пространстве состояний полностью определяется данными.
При разработке управляющего компонента механизма вывода
необходимо решить вопрос о том, по какому критерию следует вы-
бирать правило, которое будет применено в конкретном цикле.
Этот вопрос мы рассмотрим позднее в разделе, посвященном стра-
тегиям управления. В системах, в которых знания представлены в
виде фреймов (см. гл. 4), управление осуществляется демонами,
входящими в состав слотов; с принципами их работы мы познако-
мим вас при описании модели представления знаний, использую-
щей фреймы.
Подсистема приобретения знаний
Подсистема приобретения знаний предназначена для добавле-
ния в базу знаний новых правил и модификации имеющихся. Б се
задачу входит приведение правила к виду, позволяющему механи-
зму вывода применять это правило в процессе работы. В простей-
шем случае в качестве такой подсистемы может выступать обыч-
ный редактор или текстовый процессор, который просто заносит
правила в файл. В более сложных системах предусмотрены еще и
средства для проверки вводимых или модифицируемых правил на
непротиворечивость с имеющимися правилами.
В некоторых системах приобретение знаний осуществляется не
одним, а несколькими различными методами. Примером может
служить экспертная система DETEKTR, предназначенная для пои-
ска неисправностей..в электронных устройствах. Эта система
разработана фирмой Tеktronix в рамках программы по созданию
средств инженерии знаний.
61
Специалисты по искусственному интеллекту фирмы Tektronix
различают три типа знаний, приобретение которых соответственно
требует применения трех различных методов:
* операциональ н ые, необходимые для решения задачи в теку-
щий момент;
* вспомогательные, или те факты, которые эксперт может
и не помнить, но обязан знать, где их можно найти;
* дополнительные, т.е. сведения о внешних условиях, в ко-
торых будет происходить решение задачи.
В версии-прототипе системы DETEKTR операциональные
знания вводятся с помощью программного средства INKA
(INteractive Knowledge Acquisition - интерактивное приобретение
знаний) на основе специализированной " грамматики описания
знаний". Эта грамматика задает форму представления правил по-
иска неисправностей для их ввода в систему экспертом, например
ЕСЛИ НАПРЯЖЕНИЕ В УЗЛЕ 4 РАВНО НАПРЯЖЕНИЮ В
УЗЛЕ 5, ТО РЕЗИСТОР 2 НЕ РАБОТАЕТ.
Для поиска неполадок в электронных устройствах наиболее
важными вспомогательными знаниями являются те, которые испо-
льзуются для проверки допустимости конкретного соединения
элементов, правильности принципиальных схем и расположения
плат. DETEKTR включает в себя специальную подсистему РЖА
(Pictorial Knowledge Acquisition - приобретение знаний в форме
изображений), которая способна воспринимать схему в графичес-
ком представлении и проверять по ней правильность соединения
элементов.
Сведения о внешних условиях, в которых будет протекать
процесс решения задачи ' (так называемые дополнительные зна-
ния), непосредственно в систему не включаются, но для тою,
чтобы спроектировать и реализовать эффективно работающую экс-
пертную систему, их необходимо тщательно проанализировать.
Дополнительные знания крайне необходимы, например, специалих
стам по ремонту, которые в случае недостатка таких знаний тратят
очень много времени на поиск неисправного элемента. До-
полнительные знания этого типа используются для обоснования и
проверки различных проектных решений, например, при включе-
нии в электронное устройство специальных плат и схем, которые
бы ускорили обнаружение неисправностей.
Средства общения на естественном языке
Поскольку системы, основанные на знаниях, реализуются на
компьютерах, то и входная информация воспринимается ими в ви-
де, понятном компьютеру, т. с. в битах и байтах. Однако для того
чтобы с системой мог взаимодействовать неподготовленный пользо-
62
ватель, в нес требуется включить средства общения на естествен-
ном языке. Подавляющее большинство систем, основанных на зна-
ниях, обладают достаточно примитивным интерфейсом на естест-
венном языке - допустимые входные сообщения пользователя огра-
ничены набором понятий, содержащихся в базе знаний. Со време-
нем специалистам будет предоставлена возможность общаться с та-
кими системами с помощью полных предложений, которые могут
включать в себя любые части речи: существительные, глаголы,
предлоги, прилагательные и наречия.
Простые системы, основанные на знаниях (такие, как продук-
ционная система, описанная в книге), ведут с пользователем дос
таточно элементарный диалог, в котором он может обойтись слова-
ми " да", " нет" и иногда добавить вопрос " почему? ". В более слож-
ных системах компонент взаимодействия с пользователем способен
произвести грамматический разбор входного предложения. Грамма-
тический разбор состоит в определении связанных частей предло-
жения. Тщательно разработанные средства общения на естествен-
ном языке, аналогичные тем, которые применяются в играх фирмы
Infocom, строятся на сложном алгоритме грамматического разбора,
который дает пользователю возможность вводить в систему сооб-
щения в виде полных предложений. Алгоритм грамматического ра-
збора определяет во введенном предложении подлежащее, сказуе-
мое и другие члены предложения.
Подсистема объяснения
Большинство специалистов-пользователей не смогут с довери-
ем относиться к выведенному системой заключению, пока не будут
знать, как оно" было получено. Если врач установил у вас наличие
некоторого заболевания, то вы, конечно, захотите узнать, почему
он пришел к такому выводу. Вы, вероятно, попросите его показать
вам рентгеновский снимок, результаты анализа крови или что-то
другое, на основе чего он сделал такое заключение, а может быть,
изложить ход своих рассуждений, который позволил поставить
данный диагноз. К экспертной системе предъявляются те же самые
требования.
Пусть, например, в своей деятельности врач опирается на
компьютерную систему, которая выполняет химический анализ
крови и ставит с его помощью диагноз. И пусть на основе анализа
крови пациента было установлено, что он страдает заболеванием
печени и у него плохо усваиваются препараты железа. Естествен-
но, пациент захочет узнать, почему система пришла к такому за-
ключению.
Компонент экспертной системы, который отвечает на вопросы
пользователя о том, как именно получено решение, называется
подсистемой объяснения. Во время проведения консультации эта
подсистема должна быть способна в любой момент привести обос-
63
нование принятого решения. Например, если систему, основанную
на знаниях, спросить о том, почему она сделала вывод о наличии у
пациента заболевания печени, то можно получить следующее объ-
яснение.
Известны следующие факты:
Уровень содержания а крови альбумина высок, что свидетельствует об имею-
щемся обезвоживании организма или печеночной недостаточности.
Уровень содержания в крови билирубина низок - это указывает на нарушение
функций печени или сильное утомление пациента.
Высокий уровень содержания креатинина дает основания полагать, что имеет
место заболевание печени или ночек, если только пациент не является спортсменом.
Пациент спортом не занимается.
Отсюда можно заключить, что пациент страдает печеночной недостаточ-
ностью.
Резюмируя изложенное выше, отметим, что продукционна я
система или система, основанная на правилах, работает цикли-
чески. В каждом цикле продукции (правила) из базы знаний про-
сматриваются интерпретатором правил в определенном порядке,
который устанавливается его управляющим компонентом. Если
обнаруживается правило, посылка которого при сопоставлении
совпала с некоторыми фактами из рабочей памяти, то правило
срабатывает и его заключение добавляется в рабочую память.
Затем цикл повторяется. Цикл имеет четыре фазы: сопоставление,
вы б ор (разрешение конфликта), срабатывание и выполнение
действия, (изменением состояния рабочей памяти).
Любое правило представляет собой управляемый данными мо-
дуль (сокращенно УДМ). УДМ является автономным, не зависи-
мым от других правил элементом базы знаний. Это дает возмож-
ность легко наращивать и отлаживать программу, состоящую из
продукций, поскольку при добавлении нового правила или редак-
тировании имеющегося не требуется вносить изменения в осталь-
ные правила. Каждому УДМ присваивается собственный номер
(например, Правило-06), что позволяет весьма просто вызывать
для просмотра цепочку сработавших правил. Система, основанная
на правилах, содержит и совокупность УДМ, состоящих.из двух
частей - посылки (антецедента) и заключения (консеквента).
Механизм вывода может быть назван системой вывода,
использующей сопоставление по образцу. Продукционная система
- это система, основанная на правилах, механизм вывода которой
включает в себя компоненты собственно вывода и управления им.
64
