ГЛАВА 4. ЭКСПЕРТНЫЕ СИСТЕМЫ

С. Иваи (Университет Киото), М. Оути (фирма «Нихон сисутэму»), М. Сугэно (Токийский политехнический институт), Э. Тадзаки (частная школа Университета Йокогама), X. Фурута (Университет Киото)

4.1. ВВЕДЕНИЕ

Экспертные системы можно считать одним из применений искусственного интеллекта, хотя исследователи искусственного интеллекта не ставили целью построение экспертных систем. Эти иследования, предпринятые с середины 50-х годов, достигшие пика в 60-е годы, были посвящены реализации машин с интеллектом человека. Однако в процессе исследований стало очевидно, что задача слишком фантастична, и исследования были временно приостановлены. В настоящее время решаются такие проблемы, как применять формальную логику при нереальных допущениях, как использовать компьютеры с программами древовидного поиска для решения головоломок или игр типа шахмат и т. д. Однако программа для решения некоторой головоломки основывается на специфичной структуре данной головоломки и уже не может решить другую задачу. Подобные задачи решаются математическими методами, более подходящими для компьютеров, но совсем не так, как это делал бы человек. Созданы даже программы типа «универсальный решатель задач», но все это очень далеко от решения реальных задач.

Тупиковое положение исследований в области искусственного интеллекта, по-видимому, обусловлено превратным пониманием того, что такое интеллект человека, а также качественного различия между машиной и человеком. Однако эти исследования привели в 70-е годы к идее инженерии знаний и в конце концов к экспертным системам. В конце 60-х годов была создана система DENDRAL, а в первой половине 70-х-система MYCIN. И на гребне успехов экспертных систем вновь начался подъем исследований искусственного интеллекта, но вопрос о том, появились ли

экспертные системы именно в результате этих исследований, остается спорным. Во всяком случае, без сомнения, цели исследований стали более реальными. Одна из серьезных проблем исследований искусственного интеллекта-реализация индуктивных выводов. Кэй Ватанабэ (почетный профессор Гавайского университета), выдающийся исследователь в области распознавания образов и логики мышления, обратил внимание на следующее. Индукция-способ обнаружения закона для бесконечного числа данных по конечному числу данных. Однако подобное принципиально невозможно. Следовательно, результат индуктивных выводов человека не только нестандартен, но произволен и нечеток. И в области исследований искусственного интеллекта было бы хорошо проститься с мечтой заставить машину делать логическим путем индуктивные выводы и сменить курс на создание машин, подражающих человеку, т.е. экспертных систем.

Развитие экспертных систем идет успешно, но сегодня, в начале 90-х годов, в исследованиях искусственного интеллекта вновь наступил период застоя. В такой ситуации теория нечетких множеств, которая, как ожидалось, превратилась в методологию, разработанную в результате исследований искусственного интеллекта, обнаруживает прежде всего тесную связь с экспертными системами. Применение теории нечетких систем началось в области нечеткого управления во второй половине 70-х годов. По идее нечеткое управление - это своего рода экспертная система в управлении. Метод описания алгоритмов в форме «если...то» был предложен Заде в статье «Нечеткие алгоритмы», опубликованной в 1968 г. Традиционные экспертные системы не имели дело с нечеткостями, и идея Заде заключалась в том, чтобы раскрыть сущность экспертных систем путем описания алгоритмов словами, т. е. нечетко, что оказалось весьма плодотворным. Дело в том, что, как выяснилось позже, эта идея помогла решить проблему ненадежности в экспертных системах. Безусловно, в экспертных системах использовалось представление недостоверности фактов и правил в виде коэффициентов уверенности так, как в системе диагностики инфекционных заболеваний MYCIN. Операции с недостоверностью в этой системе основаны на идеях байесовской вероятности. Вероятностные выводы в настоящее время исследуются как один из методов, используемых в экспертных

системах, но, как уже отмечалось, сущность эксперта не в вероятностной природе, а в нечетких тезисах. В начале 80-х годов в качестве метода обработки недостоверностей в экспертных системах стали часто применять теорию Демпстера-Шафера, по которой значения вероятностей, описывающих недостоверные данные, представляются не числом, а отрезком. Это уже не связывает разработчиков с вероятностными законами, поэтому недостоверные данные и правила можно представлять более свободно, чем с помощью коэффициента уверенности в системах типа MYCIN. Однако, говоря о недостоверности в традиционных экспертных системах, мы понимаем под этим всего лишь внешнюю оценку фактов и правил, т. е. не более чем разновидность значений истинности в логике. Например, достоверность, или степень истинности, утверждения «сегодня утром накрапывал мелкий дождь» рассматривалась только внешне. Здесь смысловая нечеткость слов «утро», «мелкий дождь», «накрапывал» внутренне вообще не ставится под сомнение. На самом деле сущность недостоверностей в экспертных системах заключается в нечеткости понятий и слов, с которыми оперирует эксперт. Подобные недостоверности не только не позволяют внешне оценить тезисы, но их нельзя обрабатывать, пока они не введены в сами тезисы. Необходимо ответить на вопрос: что такое утро? Это 5 часов, 8 часов, а может, 10 часов?

Методология эффективного построения экспертных систем - это больше чем репродукция способов представления и использования знаний, поскольку необходимо умело скопировать образ действия эксперта. Под образом действия в общем случае понимаются способы извлечения знаний эксперта и способы решения, а в перспективе и методы мышления человека. Способ решения это возникшие и систематизированные мысли эксперта для решения некоторой определенной проблемы, причем здесь рассматривают упрощенное схематичное представление мыслей человека. Процесс мышления человека имеет свои особенности на каждой фазе: приобретения и обработки неполной информации, приближенных рассуждений, оценки сложных объектов, заключений и принятия решений в недостоверных ситуациях

и др. Причем каждый раз человек выражает свои мысли на естественном языке. В повседневной деятельности разум человека проявляется благодаря тому, что он думает словами. И если мысли эксперта во много раз лучше выводов машины, то это прежде всего за счет того, что эксперт пользуется словами. Например, пусть данные об отношении х и у неполны. Тогда человек будет представлять и истолковывать такую неполную информацию следующим образом: «Если х равен примерно 2, то у будет равен примерно 100, а если равен примерно 7, то у-примерно 120» или «если : малое, то у большое».

Достоинство нечеткой логики скорее в неопределенности или нечеткости сущности языка, а не в его логичности. При построении модели мышления эксперта нельзя абстрагироваться от роли и сущности языка его мыслей. Благодаря оперированию с неопределенностями слов и понятий нечеткая логика предоставляет методы, приближающие нас к сущности экспертных систем. Если в процессе мышления человека с помощью нестрогих рассуждений есть нечто, называемое логикой, то это не что иное, как нечеткая логика. Благодаря тому что в ней сочетаются нечеткости и логика, она может претендовать на роль языка описания в модели мышления человека. Несомненно, экспертные системы, будучи спроектированными как нечеткие экспертные системы на базе нечеткой логики, станут более эффективными и полезными. Реальным подтверждением этого служат многочисленные уже работающие системы в области управления. Почти все экспертные системы управления обеспечивают нечеткое управление, т.е. являются нечеткими экспертными системами. Среди них немало примеров успешной автоматизации технологических процессов с помощью нечеткого управления. Известны примеры применения нечетких экспертных систем для диагностики неисправностей локомотивов, выбора меню в ресторанах и т. п. В настоящее время еще преобладают экспертные системы, не использующие нечеткую логику, но, судя по последним сообщениям, из примерно двух тысяч экспертных систем на практике используется всего лишь 2%. Так что с точки зрения практического использования число нечетких экспертных систем уже превысило число традиционных экспертных систем.

В области экспертных систем выделяют три проблемы: 1) представление знаний; 2) использование знаний; 3) приобретение

знаний. Нечеткая логика может внести существенный вклад в решение любой из этих проблем. Для проблемы 1 главным оказывается то, что наиболее высокий уровень представления гарантирован с помощью языка; знания типа фактов, правил, оценок и другие знания человека можно представить только в форме, содержащей нечеткости. Более того, поскольку человек допускает применение неопределенностей, можно подобрать знания, которые проще использовать. В представлении знаний используются понятия нечетких множеств, но для проблемы 2 эффективнее нечеткая логика. Основным методом является метод нечетких выводов. Особенность таких выводов заключается в получении выводов из нечеткой информации с помощью знаний о нечетких правилах, но это же можно сказать и о применении знаний экспертами. Применение знаний не ограничивается только выводами. Кроме выводов серьезной проблемой являются оценки и суждения. В качестве моделей оценок и суждений экспертов на основе эмпирических знаний эффективны идеи нечетких изменений и нечеткого интегрирования. Так, функция доверия Демпстера Шафера, используемая для оценки фактов и правил, - один из примеров нечеткого измерения. При решении проблемы 3 в первую очередь надо научиться извлекать эмпирические знания экспертов. При этом часть таких знаний можно передать только с помощью нечетких слов, поэтому необходима нечеткая интерпретация знаний. Благодаря введению нечеткой классификации знаний типа правил по условиям их применения становится возможным гибкое приобретение знаний эксперта. Второй по значению задачей является поиск методов извлечения знаний, причем не только непосредственно со слов эксперта, но и косвенно, путем наблюдения за действиями эксперта или даже без эксперта через эксперименты и обучение. В последнем случае для сбора данных и информации так, как это делает эксперт, можно использовать нечеткую логику. Другими словами, выполняют сбор качественной информации типа «если х малое, то у большое». Благодаря использованию нечеткого представления можно определить суть работы эксперта.

Кроме управления существует множество других областей, в которых эффективно работают нечеткие экспертные системы. Среди них: поиск неисправностей, медицинская диагностика, планирование, проектирование систем, экономические

прогнозы, инвестирование ценных бумаг, прогнозирование сбыта, принятие экономических решений, подготовка библиографических аннотаций, консультации по законодательству и пр. Ожидается появление нечетких экспертных систем, которые будут использоваться в «дорожных» компьютерах для решения задач малых предприятий и других организаций.