Реализация возможностей экспертных систем в образовательных целях

                                                           ФГОУ ВПО 

«Нижегородский Государственный Педагогический Университет Им.К.Минина.»

 

                                       Кафедра: «Математики и информатики.»

 

 

 

 

 

 

 

 

Контрольная работа по теме: «Реализация возможностей экспертных систем в образовательных целях.»

 

 

 

 

 

 

 

 

 

 

 

Выполнила:                                                                                                  Проверила:

Студентка гр. ПВ-10                                                                                    к.п. н. доцент

Сироткина Д.А.                                                                                            Суханова Н.Т.

                                                    Нижний Новгород  2011 год

Содержание:

 

Введение

1 глава.  Определение экспертных систем.

1. Структура экспертных систем.
2. Разработка экспертных систем.

2 глава. Представление знаний в экспертных системах

              2.1.Образовательные и учебные приложения в системах.

              2.2. Методы поиска решения в  экспертных системах.

Заключение.

Литература.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Введение.

В своей работе я рассмотрю реализацию возможностей экспертных систем.На этапе реализации экспертной системы происходит физическое наполнение базы знаний и настройка всех программных механизмов в рамках выбранного инструментального средства, а при необходимости и допрограммирование специализированных модулей программного инструмента.

Особенности реализации экспертной системы во многом определяются характером инструментального  средства, в качестве которого могут  выступать программные оболочки (shells), генераторы (интегрированные среды), языки представления знаний (языки программирования). Так, оболочки имеют реализованные механизмы вывода, накопления, объяснения знаний, диалоговый компонент, что, с одной стороны, упрощает разработку программной части экспертной системы, поскольку не требуется программирование, а с другой стороны, усложняет разработку базы знаний вследствие возможного несоответствия формализма системы требованиям структуры. Использование языков представления знаний таких как: язык логического программирования PROLOG, язык функционального программирования LISP, язык объектно-ориентированного программирования SmallTalk, язык продукционных правил OPS5 и др. повышает гибкость разрабатываемой системы и одновременно увеличивает трудоемкость разработки.

Наиболее  приемлемыми инструментальными  средствами для создания экспертных систем являются генераторы или интегрированные  среды разработки, например, G2 (фирма  Gensym, дистрибьютор фирма ArgusSoft), ART-Enterprise (фирма Inference, дистрибьютор фирма Метатехнология), GURU (фирма MDBS, дистрибьютор фирма ЦПС Тверь), которые позволяют настраивать программные средства на особенности проблемных областей, при необходимости предоставляют возможность программировать на встроенных языках четвертого поколения и осуществлять эффективный экспорт/импорт данных с другими инструментальными средствами.

Среди отечественных разработок следует  отметить экспертную оболочку ЭКО (ArgusSoft) и программный комплекс SIMER - MIRAGE (Исследовательский центр искусственного интеллекта ИПС РАН), который предоставляет инструментальные средства как автоматизации разработки, так и поддержки экспертных систем.

Инструментальные  средства создания и поддержки экспертных систем являются дорогостоящими продуктами и стоят от тысяч до десятков тысяч  долларов. Однако, для готовых баз знаний инструментальные средства могут поставляться в исполнительской версии (RUN-TIME) на порядок дешевле.

Цена  предметно-ориентированных систем может быть на порядок выше универсальных, преимущество же их заключается в  более простой адаптации к  конкретной предметной области, а следовательно, и в сокращении затрат на разработку. Например, интеллектуальная система  для разработки финансовых приложений CogensysJudgmentSoftware (CogensysCorp) стоит 200 тыс. долл.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Глава 1. Определение экспертных систем.

Экспе́ртнаясисте́ма (ЭС, expertsystem) — компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление. Предтечи экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины», позволявшие находить решения по заданным условиям, например определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания^[1].

В информатике экспертные системы рассматриваются совместно с базами знаний как модели поведения экспертов в определенной области знаний с использованием процедур логического вывода и принятия решений, а базы знаний — как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.

Похожие действия выполняет такой программный  инструмент как Мастер (Wizard). Мастера применяются как в системных программах так и в прикладных для упрощения интерактивного общения с пользователем (например, при установке ПО). Главное отличие мастеров от ЭС — отсутствие базы знаний — все действия жестко запрограммированы. Это просто набор форм для заполнения пользователем.

Другие  подобные программы — поисковые или справочные (энциклопедические) системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей (представления об объектах областей знаний, их виртуальную модель).

Как правило, экспертные системы создаются  для решения практических задач  в некоторых узкоспециализированных областях, где большую роль играют знания «бывалых» специалистов. Экспертные системы были первыми разработками, которые смогли привлечь большое  внимание к результатам исследований в области искусственного интеллекта.

Экспертные  системы имеют одно большое отличие  от других систем искусственного интеллекта: они не предназначены для решения  каких-то универсальных задач, как  например нейронные сети или генетические алгоритмы. Экспертные системы предназначены для качественного решения задач в определенной разработчиками области, в редких случаях – областях.

Экспертное  знание – это сочетание теоретического понимания проблемы и практических навыков ее решения, эффективность  которых доказана в результате практической деятельности экспертов в данной области. Фундаментом экспертной системы любого типа является база знаний, которая составляется на основе экспертных знаний специалистов. Правильно выбранный эксперт и удачная формализация его знаний позволяет наделить экспертную систему уникальными и ценными знаниями. Врач, к примеру, хорошо диагностирует болезни и эффективно назначает лечение, не потому, что он обладает некими врожденными способностями, а потому что имеет качественное медицинское образование и большой опыт в лечении своих пациентов. Поэтому ценность всей экспертной системы как законченного продукта на 90% определяется качеством созданной базы знаний.

Экспертная  система – это не простая программа, которая пишется одним или  несколькими программистами

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1.1.Структура экспертных систем.

Выделяют два типа экспертных систем: статические и динамические. Статические  экспертные системы используются в  тех приложениях, где можно не учитывать изменения окружающего  мира, происходящие за время решения  задачи. Первые экспертные системы, получившие практическое использование, были статическими. Динамические экспертные системы по сравнению со статическими содержат дополнительно два следующих компонента: подсистему моделирования внешнего мира и подсистему взаимодействия с внешним миром.

На рисунке ниже представлена каноническая структура экспертной системы динамического  типа:

Пояснение к рисунку:

• механизм логического вывода, называемый также интерпретатором, решателем;
• рабочую память (РП), называемую также рабочей базой данных (БД);
• базу знаний (БЗ);
• подсистему приобретения и пополнения знаний;
• подсистему объяснения;
• подсистему диалога;
• подсистему взаимодействия с внешним миром.

Механизм логического  вывода (МЛВ) предназначен для получения новых фактов на основе сопоставления исходных данных из рабочей памяти и знаний из базы знаний. Механизм логического вывода во всей структуре экспертной системы занимает наиболее важное место. Он реализует алгоритмы прямого и/или обратного вывода и формально может быть представлен четверкой:

• – процедура выбора из базы знаний и рабочей памяти правил и фактов;
• – процедура сопоставления правил и фактов, в результате которой определяется множество фактов к которым применимы правила для присвоения значений;
• – процедура разрешения конфликтов, определяющая порядок использования правил, если в заключении правила указаны одинаковые имена фактов с разными значениями;
• – процедура, осуществляющая выполнение действий, соответствующих полученному значению факта (заключению правила).

Рабочая память предназначена для хранения исходных и промежуточных фактов решаемой в текущий момент задачи. Как правило, размещается в оперативной памяти ЭВМ и отражает текущее состояние предметной области в виде фактов с коэффициентами уверенности (КУ) в истинности этих фактов.

Следующий элемент в структуре  экспертной системы не менее важен, чем механизм логического вывода. Это – база знаний. База знаний предназначена для хранения долгосрочных фактов, описывающих рассматриваемую область, правил, описывающих отношения между этими фактами и других типов декларативных знаний о предметной области. Кроме правил и фактов, образующих декларативную часть базы знаний, в нее может входить процедурная часть – множество функций и процедур, реализующих оптимизационные, расчетные и другие требуемые алгоритмы.

Экспертные системы относятся  к классу интеллектуальных систем, основывающихся на понимании факта. Другими словами экспертные системы  основываются на знаниях специалиста-эксперта о предметной области. Высококачественный опыт наиболее квалифицированных специалистов, доступный для всех пользователей  системы, становится фактором, резко  повышающим качество принимаемых решений  для организации, использующей экспертные системы в целом.

Подсистема приобретения и пополнения знаний автоматизирует процесс наполнения экспертной системы знаниями, осуществляемый пользователем-экспертом, и адаптации базы знаний системы к условиям ее функционирования. Адаптация экспертной системы к изменениям в предметной области реализуется путем замены правил или фактов в базе знаний.

Подсистема объяснения объясняет, как система получила решение задачи (или почему она не получила решения) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату. Возможность объяснять свои действия является одним из самых важных свойств экспертной системы, так как:

• повышается доверие пользователей к полученным результатам;
• облегчается отладка системы;
• создаются условия для пользователей по вскрытию новых закономерностей предметной области;
• объяснение полученных выводов может служить средством поиска точки в парето-оптимальном множестве решений.

Структура экспертной системы была бы неполной без подсистемы диалога. Подсистема диалога ориентирована на организацию дружественного интерфейса со всеми категориями пользователей как в ходе решения задач, так и в ходе приобретения знаний и объяснения результатов работы.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1.2.Разработка экспертных систем.

При разработке экспертных систем часто  используется концепция быстрого прототипа. Суть её в следующем: поначалу создается не экспертная система, а её прототип, который обязан решать узкий круг задач и требовать на свою разработку незначительное время. Прототип должен продемонстрировать пригодность будущей экспертной системы для данной предметной области, проверить правильность кодировки фактов, связей и стратегий рассуждения эксперта. Он также дает возможность инженеру по знаниям привлечь эксперта к активной роли в разработке экспертной системы. Размер прототипа – несколько десятков правил.

На сегодняшний день сложилась  определенная технология разработки экспертных систем, включающая 6 этапов.

Этап 1. Идентификация

Определяются задачи, которые подлежат решению. Планируется ход разработки прототипа экспертной системы, определяются: нужные ресурсы (время, люди, ЭВМ и т.д.), источники знаний (книги, дополнительные специалисты, методики), имеющиеся аналогичные экспертные системы, цели (распространение опыта, автоматизация рутинных действий и др.), классы решаемых задач и т.д. Этап идентификации – это знакомство и обучение коллектива разработчиков. Средняя длительность 1-2 недели.