7.2. Функционирование системы MYCIN - TEIRESIAS

MYCIN вместе с дополняющими ее программами TEIRESIAS и BAOBAB образуют типичную экспертную систему, которая оперирует с большим количеством знаний, заданных в описательной форме. Ниже описаны ее цели, достоинства и характер функционирования.

7.2.1. Цель

Система MYCIN была задумана для оказания помощи врачу в режиме взаимодействия врача и системы при постановке диагноза и лечения бактериальных заражений крови.

Консультация ведется по-английски с врачом, располагающим всей полезной информацией о пациенте и результатах лабораторных анализов. Рассуждения MYCIN в случае отсутствия полной информации (результаты лабораторного анализа культур бывают обычно известны только через 24 или 48 ч) основываются на множестве так называемых продукций (продукционных правил), выражающих индивидуализированные знания. Система MYCIN способна объяснить свои рассуждения и ответить на вопросы, поставленные на обычном языке. Более того, такая продукционная база знаний может быть видоизменена или увеличена, причем в каждый момент система обладает моделью своих знаний, т. е. в известном смысле знает, что именно она знает.

7.2.2. Достоинства

Достоинством системы MYCIN — одной из самых совершенных в области искусственного интеллекта — является то, что используемая техника имеет достаточно общий характер, и то, что программа является действующей: она получает результаты высокого качества и находит эффективное применение в практике.

MYCIN, разработка которой была начата в 1974 г. Шорт-лиффом, образует основное звено в цепи исследований, проводимых в течение более десяти лет в Станфордском университете под руководством Дж. Маккарти в рамках Станфордского проекта эвристического программирования. Система разрабатывалась в тесном взаимодействии с врачами из инфекционного отделения медицинского факультета этого же университета.

К этому времени Букханан и Фейгенбаум из Станфордского университета разработали экспертную систему DENDRAL и METADENDRAL (1968), предназначенную для работы в области органической химии. Тот же коллектив специалистов разработал систему приобретения знаний TEIRESIAS (1974) и программу BAOBAB (1980), которая автоматически создает структуру, основываясь на базе знаний, содержащихся в истории болезни пациента.

Впоследствии этот коллектив обратился к другим предметным областям, таким, как авторемонтное дело, лечение менингита, диагностика легочных инфекций, оказание помощи при

горнорудных изысканиях или генетических манипуляциях — что показывает силу и общность принятого подхода. Следует отметить, что проблема диагностики, даже ограниченная вполне определенной областью применения, как, например, микробные инфекции, является весьма сложной. В самом деле:

а) не существует единого универсального метода лечения инфекционных заболеваний;

б) статистика показывает, что, хотя пенициллин дают годами каждому человеку из четырех, в 9 случаях из 10 он оказывается бесполезным. Отсюда необходимость установления характера инфекции до начала лечения;

в) необходимо также как можно лучше знать инфицирующий возбудитель, что является довольно трудной задачей: для получения достаточно точных характеристик с помощью лабораторных анализов требуется 48 ч, еще больше — для получения антибиограммы. Кроме того, необходимо перекрывать новые пути проникновения инфекции;

г) во многих случаях инфекция настолько серьезна, что необходимо начать лечение еще до того, как известны результаты анализов, а в некоторых случаях (например, заражение вирулентными бактериями после операции на сердце) и при отсутствии штатного бактериолога;

д) дополнительные сложности вносит недопустимость для пациента некоторых лекарственных средств (аллергии, тяжелое состояние пациента, возрастные ограничения).

Любая система, будь то человек или программа, которая приступает к решению этой задачи, должна располагать всей возможной информацией по всем отмеченным пунктам, должна знать, могут ли они взаимодействовать между собой, и, наконец, должна принимать решение в течение очень короткого промежутка времени. Это решение является компромиссом, достигаемым в недостаточно изученной ситуации, между требуемой эффективностью лечения и требуемым для этого временем.

Некоторым утешением может служить то обстоятельство, что эта сложная проблема на самом деле весьма ограниченна в том смысле, что для ее решения нет необходимости в знаниях по общей медицине, по теоретическим моделям инфекций или по устойчивости микробов к антибиотикам.

Мы увидим, что представление знаний в декларативной форме с помощью продукций вполне годится для рассматриваемой области и что оно облегчает диалог с пользователем на естественном языке, причем программа действительно в состоянии пояснять ход своего рассуждения. Наконец, система,

постоянно учитывающая новые данные, может быть хорошим учителем, способным помочь специалисту использовать свои знания.

7.2.3. Описание

Система состоит из базы знаний, представляющей собой заданное множество правил, и четырех главных программ, которые взаимодействуют между собой по схеме, изображенной на рис. 7.1.

Рис. 7.1. Принципиальная схема системы MYC1N.

Правила

Основная совокупность знаний — это база знаний, состоящая примерно из 400 правил продукций, каждое из которых содержит множество посылок, описывающих некоторую ситуацию, и множества действий, которые нужно предпринять в ответ, если посылки окажутся удовлетворенными.

Каждое правило имеет следующую форму:

Если Р, и то где — посылки или условия. В системе MYCIN они представлены следующим образом:

Примеры. MYCIN, правило 85. Если 1) место нахождения культуры — кровь, и 2) микроорганизм — граммоотрицателен, и

3) микроорганизм имеет вид палочки, и 4) пациент относится к группе риска, то с уверенностью 0,6 микроорганизм представляют собой pseudornonia aeruginosa.

MYCIN, правило 217. Если 1) микроорганизм — бактериален и 2) местонахождение культуры — стерильно, то можно рекомендовать терапию с использованием следующих средств: хлорамфеникола, клиндамицина, тетрациклина, линдомицина, гентамицина.

MYCIN располагает стандартным набором из 24 предикатов (например, «есть», «тот же самый», «известен», «принадлежит к» объектами («микроорганизм», «культура», «лекарство» ...) и 80 определениями («идентичность микроорганизма», «чувствительность», «местонахождение» ...), которые служат для описания рассматриваемого случая.

Правила представляются на естественном языке. Одна группа правил предназначена для диагностики, другая —для построения рецептов лечения.

Кроме того, с каждым правилом связан коэффициент надежности принимающий значения от 0 до 1, который выражает большую или меньшую достоверность заключения эксперта. В самом деле, знание в этой области никогда не бывает абсолютно надежным. Точно так же и наблюдаемые факты — симптомы — не являются чаще всего независимыми и надежными. Мы увидим, что MYCIN в работе использует факторы правдоподобия, которые, кстати, не подчиняются вероятностным закономерностям.

Примерное рассуждение

Факты, относящиеся к внешнему миру, представляются в виде триплетов, оцененных коэффициентом уверенности который может принимать значения от —1 до 1.

Примеры. Идентификация микроорганизма: Е. coli 0,7. Идентификация микроорганизма: Чувствительность микроорганизма: пенициллин — 0,9.

Коэффициент уверенности КУ, полученный из нового, факта, выведенного из правила с коэффициентом надежности задается формулой

где . обозначает коэффициент уверенности для посылки.

Модель допускает сосуществование многих возможных значений одного и того же параметра.

Если в процессе рассуждений два различных правила приводят к одному и тому же заключению, но с разными значениями КУ, равными то они взаимно усиливают друг друга:

Всякий факт, для которого абсолютное значение меньше 0,2, рассматривается всей системой как малонадежный и исключается из базы фактов.

Некоторые авторы критически относятся к такому подсчету и предлагают другие решения (Friedman, 1981; Dayle 1979; Swartout 1981).

Механизм формирования заключений

Само рассуждение ведется в обратном порядке, отправляясь от микроорганизмов — возможных причин инфекции — к симптомам. При этом конструируется дерево И/ИЛИ.

Сначала задается цель. Затем система рассматривает все правила, заключения которых приводят к этой цели. Левая часть (звено И) каждого правила, если это возможно, оценивается и строится коэффициент уверенности результата (абсолютное значение) как минимум из значений коэффициентов уверенности в посылках. Если этот формируется правая часть с коэффициентом уверенности, равным произведению полученного на коэффициент надежности правила. Если правило ничего не дает (исходная гипотеза отвергается).

В случае когда некоторые посылки не могут быть оценены, они соединяются вместе и рассматриваются как промежуточные подцели (звенья ИЛИ) и система повторяет процесс (см. схему из разд. 7.3.1).

Если система не приходит ни к какому выводу, она запрашивает новую информацию, относящуюся к пациенту, т. е. система не задает лишних вопросов врачу (который этого не любит) до тех пор, пока он не испробует все возможные варианты (что позволяет ему, кроме того, сформулировать осмысленный вопрос).

Этот исчерпывающий перебор, основанный на правилах продукций, сближает систему MYCIN с системами доказательства теорем, также оперирующими в относительно узком пространстве поиска.

Некоторые другие средства дополняют описанную стандартную процедуру. В системе MYCIN делается обобщение цели. Так вопрос: «Является ли данный микроорганизм кишечной палочкой?» обычно преобразуется системой в вопрос: «Какова природа микроорганизма?» Если получение ответа на подобный вопрос стоит системе не слишком дорого, она за счет этого может обойтись без дополнительных вопросов, обращенных к пользователю.

Система MYCIN использует для каждой цели абсолютно все релевантные правила с учетом коэффициентов надежности, так как в этой предметной области желательно взвешивать варианты и составлять суждения о каждом возможном случае. Лишь в том случае, когда вывод полностью определен

возможно более раннее прерывание процесса использования правил.

Для повышения эффективности работы системы MYCIN необходимо, чтобы она всегда имела право расспрашивать врача об обстоятельствах, которым тот не придает значения, но которые ему известны как данные текущего лабораторного анализа. Кроме того, система в течение всей работы сохраняет в памяти след всех своих знаний, в частности запоминается вся история болезни, что полезно по трем причинам:

1. Происходит исключение бесполезных вычислений, а также ложное смешение информации в процессе ее поиска.

2. Это обеспечивает способность MYCIN объяснить эксперту, как и почему она приходит к своим окончательным заключениям (см. разд. 7.4).

3. На этом основывается знание того, какой вопрос нужно задать эксперту на следующей фазе, если в полученной прежде информации обнаруживается ошибка.

Метаправила

Система может работать со своим собственным представлением знаний и наделена способностью к рассуждениям по отношению к так называемым профилям и метаправилам.

Профили приписаны каждому из 24 используемых предикатов и дают системе возможность знать, какие определения управляют применимостью рассматриваемых предикатов. Они дают выигрыш в объеме вычислений, постоянно показывая, содержится ли данное определение многократно в посылках различных правил. Таким образом, профили позволяют производить первую быструю и грубую оценку посылок. Эта оценка показывает, если следовать простой логике, будет ли данное правило применимым и нужно ли внести его в список ожидания или оно совсем неприменимо к рассматриваемой ситуации.

Метаправила — это символические данные, по структуре аналогичные тем правилам, которые используются в системе MYCIN для поиска решения. Метаправила выделяют те стратегии, которые позволяют избежать полного перебора вариантов, указывая путь наилучшего приближения к данной подцели, а также выбор самих правил и метаправил.

Например, первое метаправило касается главной цели MYCIN — «рекомендовать терапевтическое лечение пациента». Оно выглядит следующим образом:

Если разыскивается способ лечения, нужно рассмотреть в следующем порядке правила, позволяющие:

1) получить клинические сведения о пациенте;

2) найти микроорганизмы, если они существуют, которые могут быть причиной данной инфекции;

3) выделить из них наиболее правдоподобные микроорганизмы;

4) найти все потенциально полезные лекарства;

5) выбрать из них наиболее подходящие, оставив возможно меньшее число вариантов.

Другим примером метаправила является метаправило 2:

Если 1) пациент инфицирован и 2) существуют правила, одна из посылок которых касается pseudomonias, и 3) существуют правила, одна из посылок которых касается klebsiellas, то с вероятностью 0,4 сначала следует использовать правила из первой группы.

Метаправило 25 гласит:

Если 1) местонахождение культуры нестерильно и 2) существуют правила, в посылках которых упоминается микроорганизм, уже встречавшийся у пациента ранее (возможно, совпадающий с микроорганизмом, поиск которого ведется), то несомненно ни одно из этих правил не может оказать помощь.

(Инфекционное заболевание, от которого ранее пациент был излечен, может возобновиться. Поэтому в медицинской практике принято искать действующую бактерию среди тех, которые уже встречались у того же пациента. Однако этот метод не подходит в случае, если изучаемая культура взята из нестерильной среды.)

Это метаправило на языке Лисп записывается следующим образом:

(см. скан)

Таким образом, метаправила, имеющие тот же формат, что и основные правила, просматриваются для каждой подцели. Они могут приводить в порядок множество правил или уменьшать общее число правил, используемых в ходе анализа, редуцируя дерево поиска, образуемое разными правилами. Каждое ребро дерева требует доступа ко всей имеющейся информации, метаправила тесно связаны с данным ребром, и поиск приспосабливается к текущему контексту.

Именно эти структуры управления и соответствующие эвристические данные выявляются в метаправилах, а не извлекаются из тела программы.

Наконец, поскольку интерпретатор системы MYCIN вызывает правила по их содержимому, а не по имени, система естественным образом приспосабливается к любым дополнениям и изъятиям правил или другим модификациям базы знаний.

7.2.4. Объяснения, предоставляемые системой, и диалог на естественном языке

При разработке концепции системы MYCIN важное требование состояло в том, чтобы программа могла объяснить свои действия для того, чтобы сделать их понятными врачу, а также сделать их более убедительными. Легкость встроенного диалога позволяет пользователю задавать вопросы системе в любой момент.

Способность к пониманию вопросов и объяснения осуществляются элементарным интерпретатором вопросов на основе ключевых слов и жестких форматов ввода-вывода. Функционирование этого интерпретатора в значительной степени облегчается благодаря стандартной форме представления знаний (правила продукций) и требует достаточно простой схемы перебора. Мы не будем здесь вдаваться в подробности относительно обработки естественного языка программы TEIRESIAS, описываемой ниже; это не входит в наши намерения и не составляет основного содержания книги.

7.2.5. Приобретение новых знаний. Система TEIRESIAS

TEIRESIAS — интерактивная программа, предназначенная для оказания помощи эксперту в разработке системы, функционирующей в области, характеризующейся большой массой знаний. Это промежуточная программа (интерфейс), ведущая диалог с экспертом на естественном языке с целью освободить его от анализа отдельных частностей. Система TEIRESIAS может не только непосредственно использовать свои знания, но также заниматься их изучением, обобщением и обсуждением (Тире-зий — имя слепого предсказателя в трагедии Софокла «Царь Эдип»), Предусмотрена также возможность ведения диалога между двумя специалистами.

Первый вариант системы TEIRESIAS был некоторым обобщением системы MYCIN, предназначенной для диагностики и лечения инфекционных заболеваний крови (R. Davis, Stanford, 1976). Ее целью является создание возможности простого перехода к другой предметной области и помощь эксперту при конструировании базы знаний. С тех пор такой подход получил широкое распространение (разд. 7.4).

Единственное важное предположение состоит в том, что представление (в форме правил продукций) и введенные понятия — правильные и что допустимо лишь просто расширение или модификация базы данных. Все происходит так, как будто профессор-эксперт читает свой курс. Затем он дает учащемуся новые задачи, внимательно следит за их решением и исправляет ошибки.

Пример работы программы TEIRESIAS с комментарием

Проиллюстрируем работу системы TEIRESIAS, основываясь на диалоге, представленном на рис. 7.2, который был описан Дэвисом. Для большей наглядности медицинские термины были вручную заменены биржевыми (например, кишечная палочка перешла в Американскую телефонную и телеграфную компанию, инфекция — в инвестицию, принять лекарство — купить акции и т. д.).

Система TEIRESIAS принимает во внимание мнение эксперта после каждого сеанса консультации с ним.

TEIRESIAS: Я вляются ли следующие объекты для инвестиции в самом деле наиболее подходящими, а именно корпорация Вариан и Американская телефонная компания (АТТ)? Так ли это? (1)

Эксперт: Нет.

TEIRESIAS: Каких-то компаний не хватает?

Эксперт. Да. Диджитал Экнипмент и Дейта Дженерал.

TEIRESIAS: Вошла ли в приведенный перечень какая-либо фирма, которая не должна туда входить?

Эксперт. Да. АТТ.

TEIRESIAS: Желаете ли Вы, чтобы я произвела поиск ошибок?

Эксперт: Да.

TEIRESIAS: Итак, начнем с АТТ. (2)

Я использовала правило 27, так как:

1) область инвестиций не уточнена;

2) ожидаемая выгода выше на

3) инвестиция рассчитана на продолжительный срок.

Таким образом, ATT — правдоподобный выбор с коэффициентом надежности 0,4.

Верно ли само это правило?

Эксперт: Да.

TEIRESIAS: Нужно уточнить одну из его посылок?

Эксперт: Да, посылку

TEIRESIAS: Я не пришла к определенному заключению относительно области инвестиций. Нужно ли мне ввести какие-то уточнения?

Эксперт: Да. Усовершенствованную технологию.

TEIRESIAS: Все попытки поиска правил, которые могли бы сделать вывод об области, где применяется усовершенствованная технология, окончились неудачей, так как все явные посылки оказались ложными (таково впечатление от двух рассмотренных мною правил).

Верны ли эти дна правила?

Эксперт: Да.

TEIRESIAS. Следует ли применить одно из них?

Эксперт: Нет. (4)

TEIRESIAS: Не хватает ли какого-либо правила?

Эксперт: Да.

TEIRESIAS: Хорошо, тогда мне нужно иметь правило, из которого я могла бы сделать вывод о том, что в нужной области применяется усовершенствованная технология. Могли бы вы указать мне такое правило?

Эксперт: Если предел обложения клиента налогом составляет и если клиент внимательно следует тенденциям развития рынка, то очевидно с коэффициентом 0,8, что инвестиция осуществляется при условии использования высокого уровня технологии. (5)

TEIRESIAS: Назовем новое правило Вот, как я его понимаю: Если

П предел налога, который платит клиент, составляет

2) недавно на рынке произошел скачок цен;

3) клиент внимательно относится к использованию своих ценных бумаг, то инвестироваться должна отрасль с высоким уровнем технологии (0,8). Согласны ли Вы с этим? (6)

Эксперт: Нет.

TEIRESIAS: Нужно ли изменить посылки?

Эксперт: Да, измените посылку 2.

TEIRESIAS: Предположите, что посылка 2 изменена на 2 «клиент внимательно следит за рынком». Согласны ли Вы?

Эксперт: Да. (7)

TEIRESIAS: Вы хотите теперь еще отменить посылку 3. Согласны?

Эксперт: Да. (8)

TEIRESIAS: (Идет повторение Затем: я не люблю критиковать Рэндн, но знаете ли Вы, что, вообще говоря, правила, касающиеся областей инвестиций, в которые входит предел налогообложения и способ Слежения клиента за положением на рынке, означают, что клиент имеет опыт в вопросе инвестиций? Должна ли я попытаться сформулировать третью посылку?

Эксперт: Да. (9)

TEIRESIAS: Как бы Вы отнеслись такой формулировке: в вопросе инвестиций клиент имеет известный опыт?

Эксперт: Согласен. (10)

TEIRESIAS: Большинство подобных правил дает также .заключение о желательном классе риска для инвестиций. Скажите, должна ли я попытаться привести здесь подобное заключение?

Эксперт: Нет.

TEIRESIAS: (Идет повторение скорректированного правила Затем: Пожалуйста, обоснуйте кратко, почему Вы использовали это правило.

Эксперт: Система не поняла, что требуетси уточнение области инвестиций, а это привело к тому, что правило 27 было применено неправильно.

TEIRESIAS: R383 было присоединено к базе знаний. Консультация будет использована для эффективной проверки обоснованности правила. Располагайтесь поудобнее. Это может потребовать много времени.

Результаты. Для инвестиций предлагаются: корпорации Вариан, Дейта Дженерал, Диджитал Эквипмент. Кажется, что теперь все исправлено, не так ли?

Эксперт: Да.

Рис. 7.2. Диалог с программой TEIRESIAS. Цифры в скобках обозначают ссылки на помещенные ниже комментарии.

1. Именно здесь после результатов, выдаваемых системой MYCIN, включается в работу TEIRESIAS. Перваи фаза состоит в выявлении ошибки.

2. Экспериментально выделенные эвристические данные были заданы программе в форме метаправил. Одно из них говорит о соглашении: а) рассматрнвать

проблему в целом; б) первое предпочтение отдавать выводу, которого не должны были получить.

3. Эксперт указывает, что данное правило не должно было быть применено. В противном случае TEIRESIAS указала бы ему, что не хватает некоторого другого правила, противоречащего принятию ATT.

4. Положительный ответ возможен в случае, если бы была ошибка при оценке посылки за счет объявления ее ложной другим правилом.

5. Выявление, ошибки путем точных и подходящих вопросов происходит довольно быстро. На этом втором этапе система интерпретирует новое правило.

6. Ошибка в формулировке системы TEIRESIAS произошла из-за элементарного лингвистического пословного анализа (даже не синтаксического) английской фразы пункта (s), где предикат «есть» (is) ассоциируется с объектом «рынок» (market). При этом система думает о посылке того типа (тенденция рынка есть...), который представляет собой модельную фразу, известную системе (разд. 7.3.2), усиленную здесь следующим далее английским предлогом «up».

7. После этого ошибка легко исправляется. Второй выбор оказался правильным. Предложение 3 отменяется, так как уже нельзя, как прежде, предполагать, что фраза распадается на две независимые посылки, потому что система хорошо знает, что слово «внимательно» не может быть использовано дважды. Это объясняется тем, что тексты и число возможных вариантов анализа невелики, так что необходимые корректирующие тесты легко проделать.

8. Вот первый текст на понимание в его завершенном виде:

• Чтение оригинального текста на английском языке.

• Преобразование в форму внутреннего представления.

• Повторный перевод на английский и предъявление пробного текста.

В конце этой фазы удовлетворяются требования эксперта, на последнем этапе система сама определяет, удовлетворена она или нет.

9. В следующем разделе объясняется механизм создания системой нового правила.

10. Во всяком случае правило должно быть применимо к текущей ситуации — «умеренный эксперимент» (см. программу Уотермана для игры в покер, разд. 7.3.2).

Работа системы

Система просит эксперта сделать свой собственный вывод в следующих случаях:

1) Основой для вывода является программа необычного типа, а не до конца понятый метод исследования, опирающийся на систему простых правил описательного характера.

2) Система благодаря способности запоминать последствия своих действий предвидит такие из них, которые мешают получению правильного заключения. Получив подсказку, система может скорректировать как возможные предположения, так и ожидаемые эффекты от них.

3) Система считает необходимым задать конкретный вопрос: «В этой определенной ситуации что знаете вы и чего не знаю я?»

Модели правил, систематизирующие знания, позволяют программе TEIRESIAS не только использовать эти знания, но и предугадывать то, что ей может встретиться.

Модели правил. Модели правил высокого уровня представляют собой краткие обобщенные описания подмножеств правил более низкого уровня, объединенных какими-либо общими свойствами. Модель правила состоит из четырех частей:

• список примеров, представляющий собой просто то подмножество правил, на основе которых создается модель;

• описание характерного элемента подмножества, где посылки и выводы характеризуются часто появляющимися признаками с учетом взаимной корреляции этих признаков. Для получения этих сведений используются методы статистического анализа;

• два списка правил: один — специфичных правил, другой — общих правил. Они придают множеству моделей вид дерева, корнём которого является наиболее общая концепция.

Построением моделей правил занимается сама программа TEIRESIAS при достаточном увеличении ее базы знаний, начиная с того момента, когда в ее распоряжении оказывается несколько правил, относящихся к одной и той же области.

Пример модели правил. Модель: «х является-областью-инвестиций».

Примеры:

Описание:

— посылки: доход составляет/продолжительность составляет/тенденция состоит в/

— корреляции: (доход, продолжительность)/(опыт, внимание). Заключение: область/риск.

Более общая модель: «область-инвестиций».

Менее общая модель: «предприятия-обслуживания-населения-яв-ляются-областью-инвестиций».

Когда программа TEIRESIAS ожидает получения нового правила (фаза 3 в приведенном на рис. 7.2 примере), она пробегает дерево моделей, начиная от корня, в поисках того, что она уже знает по поводу этого правила. В данном примере наиболее специфичная из известных моделей позволяет сделать вывод, что возможной областью инвестиций является развитая технология.

Частота появления предикатов в модели облегчает доступ к модели на естественном языке, а корреляции между появлением этих предикатов позволяют проверить, что эксперт не забыл ничего важного.

Использование моделей дает возможность компенсировать слабость проводимого в системе лингвистического анализа. Благодаря им проявляется важное свойство системы — тенденция понимать только то, что она хочет понять.

Кроме того, дерево моделей правил позволяет программе делать выводы в малознакомых областях, для которых определено малое число правил. Можно сказать, что она знает то, чему следует обучаться в первую очередь и может задавать вопросы на эту тему (но она не может определить, сколько еще осталось узнать и не имеет никаких средств для того, чтобы сразу оценить правдоподобность нового для себя факта). С помощью дерева моделей программа сама систематизирует и структурирует знания, получаемые беспорядочным образом от эксперта, что в конце концов служит для его же пользы.

7.2.6. Результаты испытаний системы и анализ недостатков

Система MYCIN-TEIRESIAS написана на языке Лисп для ЭВМ PDP-10. Пятеро специалистов, не входящих в один научный коллектив, провели 15 сеансов испытаний системы, во время которых проверялись правильность лечебных рекомендаций, уместность заданных вопросов, наличие незаданных, но важных вопросов. В 72 % случаев эксперты выразили согласие с системой, в большинстве остальных случаев они сами не смогли прийти к единому мнению.

Многие экспертные системы, обзор которых приведен ниже в разд. 7.3, имеют общие черты с программами типа TEIRESIAS. В качестве примера можно привести систему предназначенную для оказания помощи при диагностике легочных заболеваний. Для подготовки ее к работе необходимо, чтобы эксперты потратили примерно на ввод специальных знаний, а затем около 10 человеко-недель требуется для окончательной настройки системы.

Не вызывает сомнения, что системы, работа которых основана на правилах и метаправилах, в полной мере обеспечивают решение проблемы сбора и использования больших объемов знаний, по крайней мере в определенных предметных областях.

В разд. 7.7 дан общий обзор характеристик и предположительных свойств таких систем, их преимуществ и недостатков. В частности, более детально рассмотрены следующие недостатки системы MYCIN-TEIRESIAS:

• Слабость средств обработки естественного языка. Более сильные средства ввел А. Бонне в программу где максимально использовались априорные знания о предмете, записанные с помощью фреймов (Bobrow 1975). В результате удалось добиться лучшего понимания системой вводимых правил

и содержимого медицинских карт больных (разд. 7.6), но все проблемы при этом снять не удалось. Недостатки программы MYCIN, связанные с необходимостью модификации правил или требований ввода пакета из нескольких связанных друг с другом правил, в той же степени будут проявляться и в программе TEIRESIAS.

• Программа TEIRESIAS заранее предполагает, что справедливость вновь вводимого правила может быть в дальнейшем подвергнута сомнению, но при этом банк знаний содержит точные сведения. В противном случае могут возникнуть дополнительные проблемы.

Даже с учетом отмеченных недостатков система в целом хорошо управляема и оказывается весьма полезной. Она эффективно управляет специализированными знаниями, при вводе которых эксперты не придерживаются никакого порядка. Система использует модель этих знаний, которую она сама же создает, для ведения диалога с экспертами, постоянно совершенствуя свои знания, т. е. набираясь опыта.

В целом MYCIN-TEIRESIAS относится к числу лучших интеллектуальных систем, являясь очень простой по замыслу и в реализации. Специалисты легко прогнозируют ее поведение, а принимаемые ею решения могут быть легко проверены.