Глава 6 - О кафедре

реклама
6 ИНТЕЛЛЕКТУАЛЬНАЯ АВТОМАТИЗАЦИЯ ТЕХНОЛОГИЧЕСКОГО ПРОЕКТИРОВАНИЯ
6.1 Определение экспертных систем, их достоинство и
назначение
Экспертные системы (ЭС) – это яркое и быстро прогрессирующее направление в области искусственного интеллекта (ИИ). Причиной повышенного интереса, который ЭС вызывают к себе на протяжении всего своего существования является возможность их применения
к решению задач из самых различных областей человеческой деятельности. Пожалуй, не найдется такой проблемной области, в которой не
было бы создано ни одной ЭС или по крайней мере, такие попытки не
предпринимались бы.
ЭС – это набор программ или программное обеспечение, которое выполняет функции эксперта при решении какой-либо задачи в
области его компетенции. ЭС, как и эксперт-человек, в процессе своей
работы оперирует со знаниями. Знания о предметной области, необходимые для работы ЭС. определенным образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться
и дополняться в процессе развития системы.
ЭС выдают советы, проводят анализ, выполняют классификацию, дают консультации и ставят диагноз. Они ориентированы на решение задач, обычно требующих проведения экспертизы человекомспециалистом. В отличие от машинных программ, использующий процедурный анализ, ЭС решают задачи в узкой предметной области (конкретной области экспертизы) на основе дедуктивных рассуждении.
Такие системы часто оказываются способными найти решение задач,
которые неструктурированны и плохо определены. Они справляются с
отсутствием структурированности путем привлечения эвристик, т. е.
правил, взятых «с потолка», что может быть полезным в тех системах,
когда недостаток необходимых знаний или времени исключает возможность проведения полного анализа.
Главное достоинство ЭС – возможность накапливать знания,
сохранять. их длительное время, обновлять и тем самым обеспечивать
относительную независимость конкретной организации от наличия в
ней квалифицированных специалистов. Накопление знаний позволяет
повышать квалификацию специалистов, работающих на предприятии,
используя наилучшие проверенные решения.
Практическое применение искусственного интеллекта на машиностроительных предприятиях и в экономике основано на ЭС, поз-
264
воляющих повысить качество и сократить время принятия решений, а
также способствующих росту эффективности работы и повышению
квалификации специалистов.
6.2 Отличие ЭС от других программных продуктов
Основными отличиями ЭС от других программных продуктов
являются использование не только данных, но и знаний, а также специального механизма вывода решений и новых знаний на основе имеющихся. Знания в ЭС представляются в такой форме, которая может
быть легко обработана на ЭВМ. В ЭС известен алгоритм обработки
знаний, а не алгоритм решения задачи. Поэтому применение алгоритма
обработки знаний может привести к получению такого результата при
решении конкретной задачи, который не был предусмотрен. Более
того, алгоритм обработки знаний заранее неизвестен и строится по
ходу решения задачи на основании эвристических правил. Решение
задачи в ЭС сопровождается понятными пользователю объяснениями,
качество получаемых решений обычно не хуже, а иногда и лучше достигаемого специалистами. В системах, основанных на знаниях, правила (или эвристики), по которым решаются проблемы в конкретной
предметной области, хранятся в базе знаний. Проблемы ставятся перед
системой в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение
из этих фактов. Типичные ЭС состоят из следующих основных компонентов (рисунок 6.1.).
Диалоговый процессор (Интерфейс пользователя) – ориентирован на организацию общения со всеми пользователями как в ходе
решения, так и приобретения знаний и объяснения результатов работы.
База знаний (БЗ) - предназначена для хранения данных, описывающих рассматриваемую область; правил, описывающих целесообразные преобразования данных этой области. БЗ создается людьми –
консультантами, авторами учебников исследователями, экспертами,
либо выводами на основе их работ.
Подсистема приобретения знаний - автоматизирует процесс
накопления ЭС знаниями, осуществляемый пользователем-экспертом.
Подсистема вывода (решатель или машина логического
вывода) – используя данные из рабочей памяти и знания (правила, общие факты) из БЗ формирует последовательность правил приводящих
к решению задачи.
265
Рисунок 6.1 - Структура ЭС
Подсистема объяснения – в трудный момент, когда пользователь не может понять, как получено решение (или почему система не
получила решения) объясняет какие значения она при этом использовала, что облегчает экспертизу, тестирование системы и повышает
доверие пользователя к полученному результату.
Качество ЭС определяется размером и качеством базы знаний
(правил или эвристик). Система функционирует в следующем циклическом режиме: выбор (запрос) данных или результатов анализов,
наблюдения, интерпретация результатов, усвоение новой информации,
выдвижении с помощью правил временных гипотез и затем выбор следующей порции данных.или результатов анализов (рисунок 6.2.). Такой процесс продолжается до тех пор, пока не поступит информация,
достаточная для окончательного заключения.
В любой момент времени в системе существуют три типа знаний:
- структурированные знания – статические знания о предметной области.
После того как эти знания выявлены, они уже не изменяются;
- структурированные динамические знания – изменяемые знания о предметной области. Они обновляются по мере выявления новой
информации;
266
- рабочие знания- знания, применяемые для решения конкретной задачи или проведения консультации.
Все перечисленные выше знания хранятся в базе знаний. Для
ее построения требуется провести опрос специалистов, являющихся
экспертами в конкретной предметной области, а затем систематизировать, организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний.
Рисунок 6.2 – Схема работы ЭС
267
6.3 Отличительные особенности.
первого и второго поколения
Экспертные
системы
1 Экспертиза может проводиться только в одной конкретной
области. Так, программа, предназначенная для определения схем базирования заготовки, не может ставить медицинские диагнозы.
2 База знаний и механизм вывода являются различными компонентами Действительно, часто оказывается возможным сочетать
механизм вывода с другими базами знаний для, создания новых ЭС.
Например, программа выбора метода получения заготовок типа валов
может быть применена для дисков путем замены базы знаний, используемой с тем же самым механизмом вывода.
3 Наиболее подходящая область применения – решение задач
дедуктивным методом. Например, правила или эвристики выражаются
в виде пар посылок и заключений типа «если-то».
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, основанную
на знаниях, как было получено конкретное заключение.
5 Выходные результаты являются качественными (а не количественными).
6 Системы, основанные на знаниях, строятся по модульному
принципу, что позволяет постепенно наращивать их базы знаний.
Компьютерные системы, которые могут лишь повторить логический вывод эксперта, принято относить к ЭС первого поколения.
Однако специалисту, решающему интеллектуально сложную задачу,
явно недостаточно возможностей системы, которая лишь имитирует
деятельность человека. Ему нужно, чтобы ЭС выступала в роли полноценного помощника и советчика, способного проводить анализ нечисловых данных, выдвигать и отбрасывать гипотезы, оценивать достоверность фактов, самостоятельно» пополнять свои знания, контролировать их непротиворечивость, делать заключения на основе прецедентов и, может быть, даже порождать решение новых, ранее не рассматривавшихся задач. Наличие таких возможностей является характерным
для ЭС второго поколения, концепция которых начала разрабатываться
9-10 лет назад. Экспертные системы, относящиеся ко второму поколению, называют партнерскими, или усилителями интеллектуальных
способностей человека. Их общими отличительными чертами является
268
умение обучаться и развиваться, т.е. эволюционировать.
В экспертных системах первого поколения знания представлены следующим образом:
1) знаниями системы являются только знания эксперта, опыт
накопления знаний не предусматривается;
2) методы представления знаний позволяли описывать лишь
статические предметные области;
3) модели представления знаний ориентированы на простые
области.
Представление знаний в экспертных системах второго поколения следующее:
1) используются не поверхностные знания, а более глубинные.
Возможно дополнение предметной области;
2) ЭС может решать задачи динамической базы данных предметной области.
6.4 Области применения экспертных систем
Области применения систем, основанных на знаниях, могут
быть сгруппированы в несколько основных классов: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение, машиностроительные технологии и др.
Медицинская диагностика. Диагностические системы используются для установления связи между нарушениями деятельности
организма и их возможными 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 Стенфордском университете в середине 70-х годов. В настоящее время эта система ставит
диагноз на уровне врача-специалиста. Она имеет расширенную базу
знаний, благодаря чему может применяться и в других областях медицины.
Прогнозирование.Прогнозирующие системы предсказывают
возможные результаты или события на основе данных о текущем состоянии объекта. Программная система "Завоевание Уолл-Стрита"
может проанализировать конъюнктуру рынка и с помощью статистических методов алгоритмов разработать план капиталовложений на
перспективу. Она не относится к числу систем, основанных на знаниях,
поскольку использует процедуры и алгоритмы традиционного про-
269
граммирования. Хотя пока еще отсутствуют ЭС, которые способны за
счет своей информации о конъюнктуре рынка помочь увеличить капитал, прогнозирующие системы уже сегодня могут предсказывать погоду, урожайность и поток пассажиров. Даже на персональном компьютере, установив простую систему, основанную на знаниях можно получить местный прогноз погоды.
Планирование. Планирующие системы предназначены для
достижения конкретных целей при решении задач с большим числом
переменных. Дамасская фирма Informat впервые в торговой практике
предоставляет в распоряжении покупателей 13 рабочих станций, установленных в холле своего офиса, на которых проводятся бесплатные
15-минутные консультации с целью помочь покупателям выбрать компьютер, в наибольшей степени отвечающий их потребностям и бюджету. Кроме того, компания Boeing применяет ЭС для проектирования
космических станций, а также для выявления причин отказов самолетных двигателей и ремонта вертолетов. Экспертная система XCON,
созданная фирмой DEC, служит для определения или изменения конфигурации компьютерных систем типа VAX и в соответствии с требованиями покупателя. Фирма DEC разрабатывает более мощную систему XSEL, включающую базу знаний системы XCON, с целью оказания
помощи покупателям при выборе вычислительных систем с нужной
конфигурацией. В отличие от XCON система XSEL является интерактивной.
Интерпретация. Интерпретирующие системы обладают способностью получать определенные заключения на основе результатов
наблюдения. Система PROSPECTOR, одна из наиболее известных систем интерпретирующего типа, объединяет знания девяти экспертов.
Используя сочетания девяти методов экспертизы, системе удалось обнаружить залежи руды стоимостью в миллион долларов, причем наличие 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 акустических систем
слежения.
Контроль и управление. Системы, основанные на знаниях,
могут применятся в качестве интеллектуальных систем контроля и
принимать решения, анализируя 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 деятельности предприятия, и оказывать помощь при выработке
270
решений 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 (автомобилей, дизельных локомотивов и т.д.), так и при устранении неисправностей и ошибок в аппаратном и программном обеспечении компьютеров.
Обучение. Системы, основанные на знаниях, могут входить
составной частью к компьютерные системы обучения. Система
получает информацию о деятельности некоторого объекта (например,
студента) и анализирует его поведение. База знаний изменяется в
соответствии с поведением объекта. Примером этого обучения может
служить компьютерная игра, сложность которой увеличивается по
мере возрастания степени квалификации играющего. Одной из
наиболее интересных обучающих ЭС является разработанная
Д.Ленатом система EURISCO, которая использует простые эвристики.
Эта система была опробована в игре Т.Тревевеллера, имитирующая
боевые действия. Суть игры состоит в том, чтобы определить состав
флотилии, способной нанести поражение в условиях неизменяемого
множества правил. Система EURISCO включила в состав флотилии
небольшие. способные провести быструю атаку корабли и одно очень
маленькое скоростное судно и постоянно выигрывала в течение трех
лет, несмотря на то. что в стремлении воспрепятствовать этому
правила игры меняли каждый год.
Большинство ЭС включают знания, по содержанию которых
их можно отнести одновременно к нескольким типам. Например, обучающая система может также обладать знаниями, позволяющими выполнять диагностику и планирование. Она определяет способности
обучаемого по основным направлениям курса, а затем с учетом полученных данных составляет учебный план. Управляющая система может применяться для целей контроля, диагностики, прогнозирования и
планирования. Система, обеспечивающая сохранность жилища, может
следить за окружающей обстановкой, распознавать происходящие события (например, открылось окно), выдавать прогноз (вор-взломщик
намеревается проникнуть в дом) и составлять план действий (вызвать
полицию).
Машиностроительные технологии. Автоматизированные
экспертно-проектные системы технологий машиностроения подробно
рассмотрены в п.п. 6.13.1.
271
6.5 Критерий использования ЭС для решения задач
Существует ряд прикладных задач, которые решаются с помощью систем, основанных на знаниях, более успешно, чем любыми
другими средствами. При определении целесообразности применения
таких систем нужно руководствоваться следующими критериями.
1 Данные и знания надежны и не меняются со временем.
2 Пространство возможных решений относительно невелико.
3 В процессе решения задачи должны использоваться формальные рассуждения. Существуют системы, основанные на знаниях,
пока еще не пригодные для решения задач методами проведения аналогий или абстрагирования (человеческий мозг справляется с этим
лучше). В свою очередь традиционные компьютерные программы оказываются эффективнее систем, основанных на знаниях, в тех случаях,
когда решение задачи связано с применением процедурного анализа.
Системы, основанные на знаниях. более подходят для решения задач,
где требуются формальные рассуждения.
4 Должен быть, по крайней мере, один эксперт, который способен явно сформулировать свои знания и объяснить свои методы
применения этих знаний для решения задач.
В таблице 6.1 приведены сравнительные свойства прикладных
задач, по наличию которых можно судить о целесообразности использования для их решения ЭС.
В целом ЭС не рекомендуется применять для решения следующих типов, задач:
- математических, решаемых обычным путем формальных
преобразований и процедурного анализа;
- задач распознавания, поскольку в общем случае они решаются численными методами;
- задач, знания о методах, решения которых отсутствуют (невозможно построить базу знаний).
272
Таблица 6.1 - Критерии применимости ЭС
Применимы
Неприменимы
Не могут быть построены Имеются эффективные алгострогие алгоритмы или ритмические методы.
процедуры, но существуют
эвристические методы решения.
Есть эксперты, которые Отсутствуют эксперты или их
способны решить задачу.
число недостаточно.
По своему характеру задачи относятся к области
диагностики, интерпретации или прогнозирования.
Доступные данные "зашумленны".
Задачи носят вычислительный
характер.
Известны точные факты
строгие процедуры.
и
Задачи решаются методом Задачи решаются процедурныформальных рассуждении. ми методами, с помощью аналогии или интуитивно.
Знания статичны (неизмен- Знания динамичны (меняются
ны).
со временем).
6.6 Целесообразность разработки ЭС
Приступая к разработке ЭС, инженер по знаниям должен рассмотреть вопрос, следует ли разрабатывать ЭС для данного приложения.
В обобщенном виде ответ может быть таким: использовать ЭС
следует тогда, когда разработка ЭС возможна и оправдана.
Чтобы разработка ЭС была возможной необходимо одновременное выполнение, по крайней мере, следующих требований:
- существуют эксперты в данной области, которые решают задачи значительно лучше, чем начинающие специалисты;
- эксперты должны сходится в оценке предлагаемого решения,
иначе нельзя будет оценить качество разработанной ЭС;
- эксперты должны уметь выразить на естественном языке и
объяснить используемые ими методы, в противном случае трудно рас-
273
считывать на то, что знания экспертов будут «извлечены» и вложены в
ЭС;
- задача, вложенная в ЭС, требует только рассуждении, а не
действий;
- задача не должна быть слишком трудной, ее решение должно
занимать у эксперта несколько часов, а не дней или недель;
- задача, хотя и не должна быть выражена в формальном виде,
но все же должна относится к достаточно «понятной» и структурированной области, т.е. должны быть выделены основные понятия, отношения и известные способы получения решения;
- решение задачи не должно в значительной степени использовать «здравый смысл» (т.е. широкий спектр общих сведений о мире и о
способе его функционирования, которые знает и умеет использовать
любой нормальный человек), так как подобные знания пока не удается
(в достаточном количестве) вложить в системы ИИ.
Использование ЭС в данном приложении может быть возможно но не оправдано. Применение ЭС может быть оправдано в одном из
следующих фактов:
- решение задачи принесет значительный эффект, например
использование ЭС для поиска полезных ископаемых в случае успеха
может принести доход в сотни миллионов рублей;
- использование человека-эксперта невозможно либо из-за недостаточного количества экспертов, либо из-за необходимости выполнять экспертизу одновременно в различных местах;
- при передаче информации к эксперту происходит недопустимая потеря времени или информации;
- при необходимости решать задачу в окружении, враждебном
для человека.
6.7 Этапы разработки экспертных систем
В ходе работ по созданию ЭС можно выделить шесть этапов
(рисунок 6.3):
- идентификация;
- концептуализация;
- формализация;
- выполнение;
- тестирование;
- опытная эксплуатация.
274
Рисунок 6.3 - Технология разработки ЭС.
На этапе идентификации (постановка целей) выявляют цели
разработки, ресурсы, определяются задачи, которые подлежат решению.
Поставив правильные цели, планировщики программ получают хорошую возможность выбора точных задач и, следовательно, получение полезных решений. Цели системы можно разделить на три
этапа:
- конечные;
- промежуточные;
- вспомогательные.
Конечная цель описывает, какое действие, исход или результат должны получиться как следствие консультации. Промежуточные
цели системы подразделяют общую проблему на подзадачи описывая
проблемы, которые
должны быть решены для достижения конечной цели. Вспомогательные цели помогают планировщикам определить конкретные
области экспертизы, требующейся для решения перечисленных задач.
На этапе концептуализации проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи
определяются методы решения задач. Определяются следующие осо-
275
бенности, задачи: типы доступных данных; исходные и вводимые данные, подзадачи общей задачи; используемые стратегии и гипотезы,
состав знаний, используемых для решения задачи. На этапе формализации определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпретации
знаний, моделируется работа системы, оценивается адекватность целям
системы зафиксированных понятий, методов решения, средств представления и манипулирования знаниями. На этапе выполнения осуществляется наполнение экспертом БЗ системы. Процесс приобретения
знаний разделяют на извлечение знаний из эксперта, организацию знаний, обеспечивающую эффективную работу системы и представление
знаний в виде, понятном ЭС. Эвристический характер знаний приводит
к тому, что процесс их приобретения является весьма трудоемким.
Цель этого этапа – создание одного или нескольких прототипов ЭС,
решающих требуемые задачи. Затем на данном этапе по результатам
этапов тестирования и опытной эксплуатации создается конечный продукт, пригодный для использования. На этапе тестирования эксперт и
инженер по знаниям в интерактивном режиме, используя диалоговые и
объяснительные средства, проверяет компетентность ЭС. Процесс тестирования продолжается до тех пор, пока эксперт не решит, что система достигла требуемого уровня компетентности. На этапе опытной
эксплуатации проверяется пригодность ЭС для конечных пользователей. По результатам этого этапа может потребоваться существенная
модификация ЭС.
6.8 Режимы работы ЭС
Экспертная система может работать в двух режимах:
- приобретения знаний;
- решения задач (называемом также режимом консультации).
В режиме приобретения знаний общение с ЭС осуществляет,
через посредничество инженера по знаниям, эксперт. Эксперт описывает проблемную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют способы манипулирования данными, характерные для рассматриваемой проблемной области. Эксперт, используя компонент приобретения знаний, наполняет
систему знаниями, которые позволяют ЭС в режиме решения самостоятельно (без эксперта) решать задачи из проблемной области. Важную
роль в режиме приобретения знаний играет объяснительный компо-
276
нент. Именно благодаря ему эксперт на этапе тестирования локализует
причины неудачной работы ЭС, что позволяет эксперту целенаправленно модифицировать старые или вводить новые знания. Обычно
объяснительный компонент сообщает следующее: как правила используют информацию пользователя; почему использовались или не использовались данные или правила; какие были сделаны выводы и.т.п.
Все объяснения делаются. как правило, на ограниченном естественном
языке или языке графики.
Отметим, что режиму приобретения знаний при традиционном
подходе к разработке программ соответствуют этапы алгоритмизации,
программирования и отладке, выполняемые программистом. Таким
образом, в отличие от традиционного подхода разработку программ
осуществляет эксперт (с помощью ЭС), не владеющий программированием, а не программист.
В режиме консультации общения с ЭС осуществляет конечный
пользователь, которого интересует результат и (или) способ получения
решения. Пользователь, в зависимости от назначения, ЭС может не
быть специалистом в данной проблемной области, в этом случае он
обращается к ЭС за советом, не умея получить ответ сам, или быть
специалистом, в этом случае он обращается к ЭС, чтобы либо ускорить
процесс получения результата, либо возложить на ЭС рутинную работу. Термин «пользователь» является многозначным, так как кроме конечного пользователя применять ЭС может и эксперт, и инженер по
знаниям, и программист. Поэтому, когда хотят подчеркнуть, что речь
идет о том, для кого делалась ЭС используют термин «кконечный
пользователь».
В режиме консультации данные о задаче пользователя обрабатываются диалоговым компонентом, который выполняет следующие
действия:
- распределение роли участников (пользователя и ЭС) и организует их взаимодействие в процессе кооперативного решения задачи;
- преобразует данные пользователя о задаче, представленные
на привычном для пользователя языке, во внутренний язык системы;
- преобразует сообщения системы, представленные на внутреннем языке, в сообщения на языке, привычном для пользователя
(обычно это ограниченный естественный язык или язык графики).
После обработки данные поступают в рабочую память (РП).
На основе входных данных из РП, общих данных о проблемной области правил из БЗ-решатель (интерпретатор) формирует решение
задачи.
277
В отличие от традиционных программ ЭС в режиме решения
задачи не только исполняют предписанную последовательность операций, но и предварительно формирует ее. Если ответ ЭС не понятен
пользователю, то он может потребовать объяснения, как получен ответ.
6.9 Взаимосвязь инженера по знаниям с экспертом
Процесс приобретения знаний для ЭС наиболее важный. В
настоящее время не существует методов автоматического приобретения знаний, процесс наполнения ЭС знаниями является весьма трудоемким. Знания для ЭС могут быть получены из различных источников
(книг, отчетов, баз данных, эмпирических данных, персонального опыта эксперта, инженера и т.п. ). Однако наиболее значимые знания в
настоящее время приобретаются от людей экспертов.
Извлечение знаний из эксперта осуществляется в процессе интенсивного систематического (в течение нескольких месяцев) взаимодействия инженера по знаниям с экспертом. Сложность извлечения
знаний состоит в том, что, как правило, эксперт либо не осознает, какими знаниями он пользуется для получения решения, либо не может
сразу эти знания вербализовать. Поэтому, инженер по знаниям должен
работать с экспертом в контексте решения конкретных задач. Обычно
оказывается неэффективным непосредственно спрашивать эксперта о
том, с помощью каких методов он решает ту или иную задачу. В этом
случае проявляется парадокс экспертизы: чем выше компетентность
эксперта, тем менее его способность описать знания, используемые им
для решения задач. Более того, анализ попыток экспертов объяснить,
как они формируют решение задач показывает, что они часто описывают правдоподобные линии рассуждении, мало похожие на те, которыми они действительно пользуются. Из этих наблюдений сделаны два
следующих важных вывода для построения ЭС:
1 Не будьте сами себе экспертом! (если вы эксперт, то не пытайтесь описать свои знания без инженера по знаниям, который должен
убедиться в достоверности выделенных знаний).
2 Инженер по знаниям должен верить не тем знаниям, за которые эксперт ручается, а тем знаниям, которые он действительно использует для решения задач.
Исследование работы экспертов базируется на методах психологии:
- наблюдения;
- интуитивных.
278
В первом случае исследование проводится в процессе решения
задач инженером по знаниям, а во втором – самим экспертом (базируются на самонаблюдении ).
Метод наблюдения, как правило, реализуется следующим образом.
Эксперта при решении задачи просят «думать вслух». Раздумья эксперта оформляются в виде протокола, который потом исследуется инженером по знаниям. Протокол может дать инженеру некоторую информацию об организации, содержании знаний эксперта и о
том, какие механизмы вывода использует эксперт. Метод наблюдения
может дополнятся фазой «очищения», в ходе которой эксперт (эксперты) комментируют знания, выделенные в ходе наблюдения. Исследователи, применяющие этот метод, обычно не прерывают эксперта (вопросами и комментариями) в ходе решения им задачи.
Интуитивный метод применяется в одной из двух модификаций. В первом случае инженер по знаниям изучает литературу и взаимодействует с экспертом для того, чтобы овладеть данной проблемной
областью, т.е. он становится псевдоэкспертом. Действуя подобным
образом, инженер формирует знания, описывающие данную область, и
затем выделяет выделенные знания, взаимодействуя с другими экспертами. Во втором случае сам эксперт действует как «строитель» теории
своего собственного поведения, используя интроспекцию.
При использовании обоих методов (наблюдения и интуитивного) исследователь сталкивается с серьезными трудностями. В методе
наблюдения эксперт решает задачу и одновременно описывает то, что
он делает. «Думанье вслух» может изменить технику эксперта, а, кроме
того, при описании процесса решения эксперт может допускать существенные пропуски. Инженер по знаниям может сталкиваться с серьезными затруднениями, при попытке заполнить эти пропуски. Эксперт
может восполнить пропуск в процессе рассуждения, однако нет гарантии, что предложенный им ход рассуждении отражает его рассуждения
при решении задачи. При использовании интуитивных методов исследователь также сталкивается с определенными трудностями. Эксперт
часто получает решение, не осознавая, какие знания и механизмы он
использует.
Инженер по знаниям может использовать тот и другой метод,
он должен играть активную роль в процессе извлечения знаний, задавать вопросы, предлагать понятия, правила и гипотезы.
279
6.10 Знания как объект моделирования в автоматизированных системах
Вопросу знаний, их определения, представления, использования и передачи посвящено очень большое число работ [8] В них предмет знаний обсуждается с самых разных точек зрения, начиная от теоретических исследований, выполняемых с позиции теории информации и философии, и кончая исследованиями исключительно практическими, где понятие знаний уточняется на инженерном уровне. Однако,
несмотря на большое разнообразие принципов представления знаний и
наличие множества определений большинство практиков имеют до сих
пор лишь интуитивное представление об этом понятии.
В самом общем виде знания могут быть определены как продукт общественной, материальной и духовной деятельности людей,
идеальное выражение в знаковой форме объективных свойств и связей
мира, природного и человеческого. Несмотря на верность этого определения с философской точки зрения из-за чрезвычайной общности
оно не может приблизить к пониманию сущности знаний с точки зрения их моделирования на ЭВМ и решению вопроса о принципах их
применения в реальных автоматизированных системах.
В работе [8] дано более конкретное определение знаний как
объекта моделирования в автоматизированных системах – это некоторая информация, состоящая из описаний, соотношений и процедур,
относящихся к представляющей интерес сфере (предметной области).
Такие описания в автоматизированной системе, идентифицирующие
объекты и выделяющие классы, представляют собой предложения на
некотором языке, элементарными объектами которого являются первичные признаки или понятия. Система описаний обычно включает в
себя правила или процедуры для применения и интерпретации описаний в конкретных приложениях. Имеют место также особые типы описаний, называемых отношениями. Последние описывают зависимости
и ассоциации, имеющиеся между элементами данной базы знаний.
Процедуры, с другой стороны, предписывают, какие операции нужно
выполнить при решении задачи или при попытке построить рассуждение. Таким образом, знания характеризуются описаниями, выражающими эмпирические отношения в некоторой области, и процедурами,
предназначенными для манипуляции с этими описаниями и отношениями.
Проанализируем взаимосвязь знаний с другим основополага-
280
ющим понятием информатики — понятием данных. Проблематика
моделирования окружающей реальной действительности с помощью
автоматизированных систем связана с таким представлением информации, которое наиболее естественно отражает реальный мир и может
поддерживаться средствами вычислительной техники. Восприятие
мира можно соотнести с последовательностью различных, иногда и
взаимосвязанных явлений. С давних времен человечество пыталось
описать эти явления независимо от того, достигалось их полное понимание или нет. Такие модели явлений, независимо от того, являются
они количественными или нет, можно определить как данные и их
агрегаты. Таким образом, данные соответствуют дискретным зарегистрированным фактам о явлениях, по которым мы получаем информацию о реальном мире.
При таком подходе к вопросу моделирования действительности можно сделать следующие выводы:
- данные, как наиболее приспособленные для обработки на
ЭВМ, описывают с той или иной степенью адекватности явления реального мира, но в то же время они абсолютно неспособны ничего сообщить о природе и внутренней сущности явлений и закономерностях
их развития, лишь достаточно сложная взаимосвязь между данными
может служить достижению такой цели;
- наличия некоторой совокупности данных о каком-либо явлении еще не достаточно для их верного использования, необходимо
знать, что отображают определенные данные, т. е. требуются некоторые сведения о самой модели для ее точной интерпретации.
Все это приводит к выводу, что в своей работе любая система
обработки информации (в т. ч. и человек) пользуется двумя ее видами
– данными, подлежащими обработке, и некоторым другим видом информации, который получил в информатике название знаний. Именно
знания при этом отражают способы интерпретации и обработки данных.
На начальном этапе развития вычислительной техники и автоматизированных систем главной была проблема представления и обработки данных. То же самое характерно и для подавляющего большинства систем, эксплуатируемых в настоящее время. В таких системах
знания полностью или частично отделены от данных. Например, некоторая программа численного анализа, предназначенная для решения
дифференциальных уравнений в частных производных, получает в
качестве исходных данных некоторые числа и вырабатывает некоторые
другие числа. Она не «знает», описывают ли дифференциальные урав-
281
нения электромагнитные или гидравлические явления. Ответственность за интерпретацию результатов в контексте их применения целиком лежит на пользователе программы.
С развитием автоматизированных систем специалистов постепенно перестал удовлетворять подход к ним как к средствам оперирования только одними данными. С ростом потребностей и увеличением
сложности решаемых задач к системам стали предъявляться требования возможности использования также и различных знаний о предметной области. А это, в свою очередь, привело к необходимости проведения исследований, связанных со знаниями как средством представления и интерпретации данных и как средством манипулирования данными и их обработки.
Эти направления непосредственно вытекают из классификации типов знаний и имеют не только историческую, но и глубокую
теоретическую основу, связанную с разделением знаний на декларативные и процедурные. Декларативными называют знания о способах
представления и интерпретации данных, фактах и понятиях предметной области, а процедурными – знания о правилах использования и
обработки данных, сопоставления фактов и понятий, выполнения операций над самими знаниями и правилах вывода новых фактов из существующей базы знаний. Чисто исторически сложилось, что изучение
декларативных знаний интенсивно развивалось в рамках исследований
в области систем управления базами данных, в частности, при исследовании реляционной модели, моделей типа «сущность – связь», систем словарей-справочников данных и их использования в информационных системах, а также в исследованиях по методологии концептуального проектирования баз данных на «основе методов агрегации и
обобщения. Исследованию процедурных знаний способствовали работы в области искусственного интеллекта, связанные с изучением и
разработкой интеллектуальных роботов, систем распознавания естественного языка, экспертных систем и некоторых других автоматизированных систем. В целом можно говорить о том, что понятия декларативных и процедурных знаний так же, как и понятия данных и знаний вообще, диалектически дополняют друг друга и в совокупности
определяют весь комплекс информации, используемой и вырабатываемой автоматизированной системой.
Сложность точного и однозначного определения понятия знаний не препятствует интенсивному изучению вопроса об их представлении. Именно выбор способа представления знаний определяет такие
качества автоматизированной системы, как принципы их использова-
282
ния, установления непротиворечивости, доступности, читабельности,
точности получаемых результатов, быстроты принятия решений и многие другие.
К середине 70-х годов ряд ученых, работающих в области автоматизированных систем, предприняли попытки построить исчерпывающие теории представления знаний и создать соответствующие универсальные системы. Несколько лет спустя стало ясно, что эти системы
многого не достигли, т. к. знания как цель исследования – слишком
обширное и неоднородное понятие, и попытки решать основанные на
знаниях задачи в общем виде являются преждевременными. Опыт пока
не оправдал поиски достаточно эффективных и универсальных систем
представления знаний.
Следовательно, в настоящий момент целесообразно, предварительно проведя соответствующий анализ, выбирать в каждом случае
такие формы представления знаний, которые наиболее полно будут
удовлетворять потребностям специалистов, работающих с данной автоматизированной системой.
6.10.1 Представление знаний в экспертных системах
В экспертных системах используют практически все классические формы представления знаний. Это объясняется тем, что они предназначены не только для использования заложенных в них (как правило, a priori) различных знаний, но и для их накопления, обновления и
корректировки. Таким образом, экспертные системы, являются системами накопления и использования знаний. Концентрируя знания различных экспертов в данной предметной области, экспертная система
выполняет обычно функции консультанта при принятии решения в
сложных ситуациях, где оно либо зависит от большого количества
факторов, либо принимается в условиях нечеткой информации или в
экстремальных условиях. При этом, как правило, решение всегда является трудноформализуемым. Ключевыми вопросами при построении
любой экспертной системы являются принципы представления знаний
и работы управляющего механизма (механизма вывода, рассуждения),
определяющего способы применения разнообразных знаний.
Остановимся подробнее на представлении знаний в экспертных системах.
Наиболее характерны представления декларативных знаний в
виде фреймов, семантических сетей и реляционных моделей.
Фрейм – это структура данных для представления стереотипной ситуации. Как правило, он представляет собой несколько видов
283
информации, включающей описания данных, характеризующих ситуацию, и действия, связанные с различным ее развитием. Следовательно,
фреймы содержат структуры, являющиеся совокупностью декларативных и императивных (процедурных) конструкций.
Для задания только декларативных конструкции используют
понятие ролевого фрейма, который формально может быть определен
как структура:
[F;A1,A2,...,Ai, Ai+1,.....,Аn],
где F – имя фрейма;
А1 – Ai –обязательные роли;
Аi+1 – An – необязательные роли.
Такой фрейм представляет собой абстрактную конструкцию,
описывающую взаимосвязи между его элементами (слотами), и поэтому получил название фрейма-прототипа:
ИМЯ: РУКОВОДИТЕЛЬ
СПЕЦИАЛЬНОСТЬ: СЛУЖАЩИЙ
ИМЯ:
ВОЗРАСТ:
АДРЕС:
ОТДЕЛ:
ЗАРАБОТНАЯ ПЛАТА:
Он перестанет быть абстракцией, если каждый его слот будет
содержать определенное значение из некоторого наперед заданного
множества — домена. Такой фрейм называется фреймом-экземпляром:
ИМЯ: РУКОВОДИТЕЛЬ
СПЕЦИАЛЬНОСТЬ: СЛУЖАЩИЙ
ИМЯ: ИВАНОВ И. И.
ВОЗРАСТ: 56
АДРЕС: адрес
ОТДЕЛ: 28
ЗАРАБОТНАЯ ПЛАТА: ЗАРПЛАТА
Характерно, что значением слота наряду с элементом данных
определенного типа может быть и ссылка на другой фрейм, который в
свою очередь может ссылаться на следующий. Таким образом реализуется построение сложных древовидных или сетевых структур, моделирующих взаимосвязи реального мира.
Основное достоинство представления декларативных знаний в
виде фрейма заключается в том, что те элементы, которые традиционно присутствуют в описании объекта или события, группируются, благодаря чему могут извлекаться и обрабатываться как единое целое.
284
Кроме того, можно указывать фасеты (facets) для каждого слота фрейма — допустимые значения (домен значения, минимум, максимум,
значение по умолчанию), тексты содержательного наименования и др.
Другим понятием, часто применяемым для представления знаний в автоматизированных системах, является понятие семантической
сети. Этот формализм достаточно хорошо развит для представления
многих классов знаний, используемых в различных предметных областях. К таким областям относятся пространственные связи в простых
физических системах, операции по управлению механизмами, причинные и функциональные связи в приборах, взаимосвязи между симптомами в медицине и др.
Базовым функциональным элементом семантической сети
служит структура из двух компонентов—узлов и связывающих их дуг.
Каждый узел представляет некоторое понятие, а дуга — отношение
между парами понятий. Можно считать, что каждая из таких пар представляет простой факт. Узлы помечаются именами соответствующих
понятий, а дуга — именем соответствующего отношения. С позиций
логики базовую структуру семантической сети можно рассматривать в
качестве эквивалента бинарного предиката. При этом аргументы представляются узлами сети, а собственно предикат — дугой, их связывающей.
Более строго семантическую сеть можно определить следующим образом. Пусть заданы конечные множества символов
А=[A1,....,Ar],
называемых атрибутами, и конечное множество отношений
R=[R1,...., Rm].
Схемой или интенсионалом отношения R называют набор пар
INT(Ri) = [..., [Aj, DOM(Aj)],...],
где Ri – имя отношения;
DOM(Aj) – домен Aj, т.е. множество значений (или алфавит),
из которого принимает свои значения атрибут
Aj отношения Ri.
Объединение всех доменов называют базовым множеством
модели или множеством объектов, на которых задаются отношения Ri.
Экстенсионалом отношения Ri называют множество
EXT(Ri) = [F1,F2,...,Fp],
где Fk (k=1,р) – факт отношения, который, в свою очередь, представляется парой:
Fk = [Ak,ak, ЄDOM(Ak)],
т. е. парой вида «атрибут – значение», называемой атрибутивной па-
285
рой. Под фактом, таким образом, понимают конкретизацию определенного отношения между указанными объектами. В графической интерпретации факт—это подграф семантической сети, имеющий звездообразную структуру. Из вершин факта выходят ребра, помеченные
именами атрибутов данного факта, ведущие в вершины базового множества, которые являются значениями этих атрибутов.
Наряду с фреймами и семантическими сетями в интеллектуальных системах часто для представления декларативных знаний о
предметной области применяют концептуальные схемы используемых
ими баз данных. Наибольший интерес представляет реляционный подход, при котором каждый объект, понятие или факт представляется в
виде отношения г со схемой R, которая может быть представлена в
виде
[R, А1, A2,..., An],
где R — имя схемы отношения;
A1...An — атрибуты отношения.
Графически отношение rЄR может быть представлено таблицей из n столбцов, которые поименованы названиями атрибутов
A1...An. Каждая строка такой таблицы называется кортежем отношения
г, а каждый столбец — доменом.
Как видно из приведенного определения, оно напоминает
определение ролевого фрейма. При этом фрейм-прототип в некоторой
степени аналогичен схеме отношения R, а фреймы-экземпляры — кортежам отношения. Однако формализм реляционной теории существенно богаче фреймового с точки зрения выполняемых операций. Так,
множество операций над отношениями, кортежами и доменами, определяемое в рамках реляционной теории, образует математическое понятие, называемое алгеброй. Определенная таким образом алгебра
получила название реляционной алгебры Кодда. С другой стороны,
аппарат фреймов имеет свои преимущества благодаря присущей ему
динамичности. Операции с фреймами легче отражают изменения в
структуре и ситуациях предметной области, в противоположность отношениям в реляционной модели, структура (схема) которых более
статична.
Совершенно очевидно, что на абстрактном уровне определение, данное для схем с точки зрения реляционного подхода, полностью
идентично определению, приведенному выше для семантической сети.
Например, мы можем говорить об интенсионале, который представлен
некоторой схемой S, и об экстенсионале, выраженном произвольным
отношением Rs с такой схемой. Ясно, что приведенные выше абстрак-
286
ции имеют между собой много общего, отражая в той или иной мере
реальную действительность. Однако с прагматической точки зрения
каждый из рассмотренных аппаратов имеет свою специфику, поэтому
для каждого конкретного случая практического применения выбирается тот способ представления знаний, который в наибольшей степени
удовлетворяет потребности разработчиков и пользователей системы
обработки знаний.
Наряду с декларативными знаниями, описывающими структуру и факты предметной области, экспертные и многие другие системы
искусственного интеллекта хранят проектные процедуры, сведения о
методах и принципах принятия решения в различных ситуациях, т. е.
совокупность информации, объединяемой под общим названием процедурных знаний.
Можно выделить следующие основные принципы представления процедурных знаний: правила продукции, предикатная логика,
ПРОЛОГ-программы и программы на специализированных языках
представления знаний.
Одним из самых распространенных принципов представления
знаний, наиболее соответствующих их процедурному характеру, являются правила продукции. В самом общем виде правило продукции
может быть представлено как
γ:α → β;δ,
где γ – некоторое условие, выполнение которого позволяет использовать продукцию;
α — фрагмент той структуры, которая подвергается преобразованию, заключающемуся в замене фрагмента α на новый
фрагмент β (это может быть и правило перехода от ситуации α к ситуации β); предполагается, что в рамках решения
задачи фрагмент β должен быть в определенном смысле богаче фрагмента α, т. е. в целом приближать нас к поставленной цели при решении задачи;
δ — некоторый модификатор условия у, который после применения продукции может менять условие применимости данного правила или оставлять его неизменным.
С прагматической точки зрения продукцию можно представить как программу из одного оператора принятия решения вида:
ЕСЛП <УСЛОВИЕ> ТО <ДЕЙСТВИЕ>.
Системы продукции имеют ряд особенностей:
- автономность – любая продукция может быть изъята из си-
287
стемы и добавлена в нее, причем все остальные продукции остаются
при этом неизменными, т. е. система продукции становится гибкой и
легко адаптируемой к любым изменениям;
- асинхронный вид процедур преобразования – каждая из процедур теоретически может выполняться независимо от других, что,
однако, может привести к неоднозначности результата преобразования;
- простота отображения продукции в виде операторов языка
программирования (некоторые языки программирования имеют продукции в качестве своих основных операторов – РЕФАЛ, ПРОЛОГ).
Значительная популярность систем продукций среди специалистов по экспертным системам и искусственному интеллекту объясняется тем, что этот формализм охватывает достаточно широкий класс
порождающих моделей, в который входят такие известные модели, как
формальные грамматики, исчисления высказываний и предикатов,
сетевые модели и др.
Развитием принципа представления знаний в виде систем продукций является использование для этой цели исчисления предикатов
первого порядка. Предикат представляет собой логическую функцию
ряда аргументов произвольной природы. Примерами предикатов в
префиксной нотации могут служить
СТОЛИЦА (х, у)
ДОЧЬ (а, b)
НАЧАЛЬНИК (m, n)
ПОДЧИНЕННЫЙ (N, m).
При подстановке вместо переменных конкретных аргументов
предикат превращается в логическое высказывание, которое может
иметь значение «истина» или «ложь». В этом случае приведенные выше предикаты могут принять, например, такой вид:
ИСТИННЫЕ ВЫСКАЗЫВАНИЯ
СТОЛИЦА (МОСКВА, РОССИЯ)
ДОЧЬ (АННА, ЕЛЕНА)
НАЧАЛЬНИК (ПЁТР, ПАВЕЛ)
ПОДЧИНЕННЫЙ (ПАВЕЛ, ПЁТР).
ЛОЖНЫЕ ВЫСКАЗЫВАНИЯ
СТОЛИЦА (ЛЕНИНГРАД, СССР)
ДОЧЬ (СЕРГЕЙ, ПЕТР)
НАЧАЛЬНИК (ПАВЕЛ, ПЕТР)
Отличительная черта такого аппарата представления знаний –
288
возможность группирования, причем между элементами знаний можно
устанавливать различные связи (в т. ч. причинно-следственные). Выполняется это с помощью логических операций дизъюнкции, конъюнкции, импликации и отрицания для создания правильно построенных формул над предикатами. Большую роль при этом играет также
применение кванторов общности и существования.
Важнейшей характеристикой, отличающей данную модель
знаний от других, является возможность преобразования предикатов,
формул над предикатами и систем предикатов для получения предикатов, ранее в системе не существовавших. Для этого применяют правила
равносильных преобразований и вывода классической логики, а именно: modus ponendo ponens, modus tollendo tollens, reductio ad absurdum.
Именно существование формальной системы вывода новых
предикатов на основе исходных позволяет экспертным системам, построенным на их базе, выполнять действия, которые человек часто
называет формированием умозаключений. Использование такого аппарата в значительной мере определяет высокие интеллектуальные способности таких систем.
Широкое использование предикатов в практике экспертных
систем и систем искусственного интеллекта привело к разработке специализированных языков, в основе которых лежат эти и другие достижения современной математической логики. Одним из таких языков,
получившим особенную известность в связи с проектом ЭВМ пятого
поколения, является язык ПРОЛОГ, теоретической базой которого
является обобщение и развитие методов оперирования системами предикатов первого порядка и формулами над ними, завершившиеся разработкой так называемого метода резолюции. При применении этого
метода для автоматизированных систем искусственного интеллекта
система оказывается способной к самостоятельной генерации выводов
на основе некоторых посылок. При этом метод резолюции обеспечивает в достаточной мере эффективную однородную процедуру получения
таких выводов, а точнее, доказательства их выводимости или невыводимости из исходных посылок. При применении метода резолюции
вместо поиска вывода некоторого утверждения F ищется доказательство невыводимости утверждения F (т.е. его отрицания). Эквивалентность обеих задач вытекает из замкнутости исчисления предикатов
первого порядка, в котором используется метод резолюции. Это означает, что в силу закона исключенного третьего в таких исчислениях из
ложности F следует истинность F.
Основная идея языка ПРОЛОГ состоит в том, что нужно гра-
289
мотно и подробно на точном логическом языке описать условие задачи, а решение ее получается в этом случае как результат некоторого
формального процесса, который исполняется на ЭВМ. Это позволяет
ограничиваться лишь логическим проектированием программ, т. е.
описывать то, что нужно сделать, не уделяя существенного внимания
тому, как, это выполнить. Другими словами, логические возможности
языка ПРОЛОГ позволяют построить систему, максимально приближенную к системе, обладающей знаниями.
Обычно условие задачи представляет собой множество формул специального вида на языке логики предикатов первого порядка.
Одна из формул при этом выделяется и называется целью, а остальные
– посылками. Тогда упомянутый формальный процесс состоит в построении доказательства цели из посылок в исчислении, единственным
правилом вывода которого является правило резолюции.
Таким образом, представление знаний в виде моделей, написанных на языке ПРОЛОГ, является естественным развитием принципов, основанных на системах продукций и предикатов. Достаточно
обратить внимание на то, что оба принципа, трансформируемые друг в
друга, имеют вполне адекватные средства представления в рамках этого языка. Однако существует достаточно распространенное мнение о
сложности использования языка ПРОЛОГ для представления знаний в
области его практического промышленного использования. Это объясняется следующими недостатками языка:
- слабые средства защиты от незначительных ошибок в написании команд, которые могут приводить к исключительно нежелательным последствиям в работе программ;
- пользователю необходимо понимать детали реализации
встроенного механизма возврата при написании программы, т.е. это не
чисто «логическое программирование»;
- порядок предложений существенен для их точной интерпретации – принцип, противоречащий самому смыслу логического программирования;
- многие из встроенных предикатов дают побочные эффекты,
вследствие чего язык не пригоден для параллельной обработки;
- объем памяти реляционной СУБД, неявно реализуемой исполняющей системой ПРОЛОГ, ограничен размером оперативной памяти ЭВМ;
- все данные носят глобальный характер, моделирование локальных фактов затруднительно;
- изначальная ориентация внутреннего механизма языка на
290
«поиск в глубину» при реализации задач принятия решений на некотором ситуационном дереве; сложность моделирования более изощренных стратегий;
- наличие множества нестандартных модификаций;
- лишь преданная ему элита в состоянии овладеть его элегантными суперсложностями.
В работе [8] делается столь же верный, сколь и радикалистский вывод: «Что касается языка ПРОЛОГ, то мой совет – забудьте о
нем.... Заявление, что это язык логического программирования просто
не выдерживает серьезного анализа». Он же приводит в защиту своей
позиции высказывание: «Специалист по использованию знаний лишь в
самую последнюю очередь доверит управление «автоматическому»
процессу..., осуществляющему массивный поиск без контроля шаг за
шагом со стороны знаний, находящихся в базе знаний».
Любая система, хранящая знания и управляемая знаниями,
сталкивается с проблемами приобретения этих знаний, т. е. получения
их от специалистов в конкретной предметной области. Проблема самостоятельного наполнения базы знаний силами самих специалистов
приобретает особое значение в связи с массовостью применения систем принятия решений и проектных систем, а также общей тенденцией ориентации ЭВМ именно на конечного пользователя (персонализация и профессионализация систем). В этих условиях попытка обязать
конечного пользователя-профессионала (медика, администратора, конструктора или технолога) выражать свои знания в виде клозов (дизъюнктов) языка со всеми его особенностями, знакомиться для точного
его понимания с теоретическими принципами и деталями реализации
методов опровержения (сколемизация предикатов, универсум Эрбрана
и т. п.) обречена на очевидный провал.
Существует еще несколько причин, по которым применение
рассмотренных традиционных для искусственного интеллекта средств
представления процедурных знаний является не слишком удобным.
Общий недостаток, присущий приведенным выше подходам, состоит в
том, что указанные средства рассчитаны исключительно на узких специалистов по обработке знаний. Существует множество приложений,
где для решения задачи наряду со средствами, относящимися к технологии знаний, необходимы также и более традиционные средства программирования, ориентированные на работу с данными (средства выполнения вычислений, представления алгоритмов, создания таблиц и
отчетов, графические средства). Кроме того, языки искусственного
интеллекта не слишком удобны для реальных приложений, имеющих
291
характер «промышленного продукта», еще и потому, что их применение вызывает большую потерю времени работы системы. Часть исследователей в США считает, что указанным языкам (Лисп, ПРОЛОГ)
должна быть отведена роль некоторого исходного средства, позволяющего создать черновые варианты экспертных систем, которые для
повышения рабочей эффективности системы в дальнейшем будут переписаны на таких языках, как, например, Бейсик, ФОРТРАН или СИ.
Это определит большую практическую направленность реализации
такой системы.
В этом противоречии проявляется старый принцип: аппарат,
который хорош для опытов, научных исследований и предварительного моделирования, становится абсолютно непригодным для изготовления промышленной продукции – изделия, предназначенного для массового использования. В этом случае создание аналогичного аппарата
сходного назначения, но более удобного в практическом использовании, обладающего большей наглядностью, эффективностью реализации, и более удобного в изучении пользователями-практиками, представляет собой важнейшую с научной и практической точки зрения
задачу.
Такая задача решается в различных промышленных системах,
объединяющих в себе современные достижения в области представления знаний с относительной простотой использования, большей эффективностью реализации, повышенной наглядностью средств представления знаний и зачастую с большей процедурной ориентацией
таких средств.
Примером подобного решения вопроса о средствах представления знаний в промышленной системе является внутренний язык системы REVEAL, которая представляет собой программный продукт,
ориентированный на два основных направления использования – поддержку процесса решения и построение экспертных систем. Язык системы имеет следующие возможности:
- алгоритмически полный набор средств процедурной ориентации на уровне современных достижений в области процедурноориентированных языков программирования высокого уровня;
- средства моделирования и испытания моделей;
- аппарат спецификации и использования нечетких понятий и
нечеткой логики;
- средства представления и использования правил продукции и
осуществления логической дедукции.
292
Процессор языка реализован как интерпретатор, что позволяет
исключать, добавлять и модифицировать строки модулей и использовать другие аналогичные средства времени выполнения.
Использование такого развитого набора возможностей с широким спектром применения представляет собой серьезный шаг вперед
от представления знаний, ориентированных только на получение выводов, выдачу рекомендаций или принятие элементарных решений, к
системам промышленного применения, где наряду с принятием решений и дедукцией зачастую возникает потребность в использовании
традиционных процедурных или численных алгоритмов. Именно соединение в единой лингвистической системе универсальных процедурных средств, дающих возможность описания произвольных алгоритмов проектирования, расчета, поиска, оптимизации и т. д., с дедуктивными средствами и средствами представления нечетких понятий,
превращают ее в мощный инструмент создания различных промышленных автоматизированных систем (в т.ч. и систем проектирования),
ориентированных на промышленную эксплуатацию, в которых принятие решений и получение экспертных выводов может сочетаться с различными расчетами и выполнением практически любых проблемных
программ.
Язык системы REVEAL является мощным средством представления процедурных знаний, однако для многих автоматизированных систем, в частности для САПР, представление декларативных знаний является отнюдь не менее важным. К числу недостатков языка
следует отнести практически полное отсутствие средств представления
декларативных знаний, что существенно снижает его возможности по
моделированию предметной области. Отсутствует -какой бы то ни
было аппарат хранения фактов, понятий предметной области и их
структур в базе метазнаний для доступа к ним из модулей пользователя. Второй существенный недостаток—отсутствие средств работы с
информацией, содержащейся в базах данных. В настоящий момент
редкая сколько-нибудь развитая промышленная автоматизированная
система обходится без накопления, ведения или поиска больших массивов информации. Наличие подобных средств в языке разработки
экспертных систем также чрезвычайно полезно, особенно для системы
REVEAL, являющейся замкнутой, т.е. системой, с которой связать
отдельно разработанный программный продукт практически невозможно.
В заключение следует отметить, что среди декларативных
средств представления знаний в современных промышленных систе-
293
мах наиболее распространены ролевые фреймы и реляционные модели
данных, а среди процедурных – системы продукций и программы на
специализированных языках представления знаний. Поскольку разработка экспертных систем и так называемая инженерия знаний являются относительно молодыми областями программирования и вычислительных наук и четких критериев оптимального применения тех или
иных средств пока не выработано, то в каждом конкретном случае разработчик самостоятельно принимает решение об их использовании.
Однако общая тенденция заключается в комбинированном применении
различных принципов, т. к. каждый из них в отдельности часто не может удовлетворить разнообразных потребностей в сложных условиях
реальной промышленной эксплуатации автоматизированных систем.
6.11 Ограничения в применение экспертных систем
Даже лучшие из существующих ЭС, которые эффективно
функционируют на различных типах ЭВМ, имеют определенные ограничения по сравнению с человеком-экспертом.
1 Большинство ЭС не вполне пригодны для применения конечным пользователем. Если вы не имеете некоторого 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 системах, замедляет получение решений. Например, без системы MYCIN
врач может (а часто и должен) принять решение значительно быстрее,
чем с ее помощью.
3 Навыки системы не возрастают после сеанса экспертизы.
4 Все еще остается проблемой приведение знаний, полученных
от эксперта, к виду, обеспечивающему их эффективную машинную
реализацию.
5 ЭС 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 ЭС неприменимы в больших предметных областях. Их использование ограничивается предметными областями, в которых эксперт
может принять решение за время от нескольких минут до нескольких
часов.
294
7 В тех областях, где отсутствуют эксперты (например, в астрологии). применение ЭС оказывается невозможным.
8 Имеет смысл привлекать ЭС только для решения когнитивных
задач. Теннис, езда на велосипеде не могут являться предметной областью для ЭС, однако такие системы можно использовать при формировании футбольных команд.
9 Человек-эксперт при решении задач обычно обращается к своей интуиции или здравому смыслу, если отсутствуют формальные методы решения или аналоги таких задач.
Системы, основанные на знаниях, оказываются неэффективными при необходимости проведения скрупулезного анализа, когда
число "решений" зависит от тысяч различных возможностей и многих
переменных, которые изменяются во времени. В таких случаях лучше
использовать базы данных с интерфейсом на естественном языке.
6.12 Преимущества ЭС перед человеком - экспертом
Системы, основанные на знаниях, имеют определенные преимущества перед человеком-экспертом.
1 У них нет предубеждений.
2 Они не делают поспешных выводов.
3 Эти системы работают систематизировано, рассматривая все
детали, часто выбирая наилучшую альтернативу из всех возможных.
4 База знаний может быть очень и очень большой. Будучи введены в машину один раз, знания сохраняются навсегда. Человек же
имеет ограниченную базу знаний, и если данные долгое время не используются, то они забываются и навсегда теряются.
5 Системы, основанные на знаниях, устойчивы к "помехам".
Эксперт пользуется побочными знаниями и легко поддается влиянию
внешне факторов, которые непосредственно не связаны с решаемой
задачей. ЭС, не обремененные знаниями из других областей, по своей
природе менее подвержены "шумам". Со временем системы, основанные на знаниях, могут рассматриваться пользователями как разновидность 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 решат задачи быстрее и эффективнее.
6 Эти системы не заменяют специалиста, а являются инструментом в его руках.
295
6.13 История развития экспертных систем
Наиболее известные ЭС, разработанные в 60-70-х годах, стали в
своих областях уже классическими. По происхождению, предметным
областям и по преемственности применяемых идей, методов и инструментальных программных средств их можно разделить на несколько
семейств.
1 META-DENDRAL.Система DENDRAL позволяет определить наиболее вероятную структуру химического соединения по экспериментальным данным (масс- спектрографии, данным ядерном магнитного резонанса и др.).М-D автоматизирует процесс приобретения
знаний для DENDRAL. Она генерирует правила построения фрагментов химических структур.
2 MYCIN-EMYCIN-TEIREIAS-PUFF-NEOMYCIN. Это семейство медицинских ЭС и сервисных программных средств для их
построения.
3 PROSPECTOR-KAS. PROSPECTOR - предназначена для
поиска (предсказания) месторождений на основе геологических анализов. KAS-система приобретения знаний для PROSPECTOR.
4 CASNET-EXPERT. Система CASNET- медицинская ЭС для
диагностики выдачи рекомендаций по лечению глазных заболеваний.
На ее основе разработан язык инженерии знаний EXPERT, с помощью
которой создан ряд других медицинских диагностических систем.
5 HEARSAY-HEARSAY-2-HEARSAY-3-AGE. Первые две
системы этого ряда являются развитием интеллектуальной системы
распознавания слитной человеческой речи, слова которой берутся из
заданного словаря. Эти системы отличаются оригинальной структурой,
основанной на использовании доски объявлений- глобальной базы
данных, содержащей текущие результаты работы системы. В дальнейшем на основе этих систем были созданы инструментальные системы
HEARSAY-3 и AGE (Attempt to Generalize- попытка общения) для построения ЭС.
6 Системы AM (Artificial Mathematician- искусственный математик) и EURISCO были разработаны в Стенфордском университете
доктором Д. Ленатом для исследовательских и учебных целей. Ленат
считает, что эффективность любой ЭС определяется закладываемыми в
нее знаниями. По его мнению, чтобы система была способна к обучению, в нее должно быть введено около миллиона сведений общего
характера. Это примерно соответствует объему информации, каким
296
располагает четырехлетний ребенок со средними способностями. Ленат также считает, что путь создания узкоспециализированных ЭС с
уменьшенным объемом знаний ведет к тупику.
В систему AM первоначально было заложено около 100 правил вывода и более 200 эвристических алгоритмов обучения, позволяющих строить произвольные математические теории и представления.
Сначала результаты работы системы были весьма многообещающими.
Она могла сформулировать понятия натурального ряда и простых чисел. Кроме того, она синтезировала вариант гипотезы Гольдбаха о том,
что каждое четное число, большее двух, можно представить в виде
суммы двух простых чисел. До сих пор не удалось ни найти доказательства данной гипотезы, ни опровергнуть ее. Дальнейшее развитие
системы замедлилось и было отмечено, что несмотря на проявленные
на первых порах «математические способности», система не может
синтезировать новых эвристических правил, т.е. ее возможности определяются только теми эвристиками, что были в нее изначально заложены.
При разработке системы EURISCO была предпринята попытка
преодолеть указанные недостатки системы AM. Как и в начале эксплуатации AM. первые результаты, полученные с помощью EURISCO,
были эффективными. Сообщалось, что система EURISCO может
успешно участвовать в очень сложных играх. С ее помощью в военностратегической игре, проводимой ВМФ США, была разработана стратегия, содержащая ряд оригинальных тактических ходов. Согласно
одному из них, например, предлагалось взрывать свои корабли, получившие повреждения. При этом корабли. оставшиеся неповрежденными, получает необходимое пространство для выполнения маневра.
Однако через некоторое время обнаружилось, что система не
всегда корректно переопределяет первоначально заложенные в нее
правила. Так. например, она стала нарушать строгое предписание обращаться к программистам с вопросами только в определенное время
суток. Т.о., система EURISCO, так же как и ее предшественница, остановилась в своем развитии, достигнув предела, определенного в конечном счете ее разработчиком.
С 1990 года доктор Ленат во главе исследовательской группы
занят кодированием и вводом нескольких сот тысяч элементов знаний,
необходимых, по его мнению, для создания "интеллектуальной" системы. Этот проект назван Сус ("Цик", от английского слова
encyclopedia).
Рассмотрим более подробно две наиболее известные ЭС:
297
PROSPECTOR и R1.
Система PROSPECTOR предназначена для выдачи геологам
следующей информации: о наличии в анализируемой местности залежей полезных ископаемых; об оценке геологических ресурсов района;
о выборе мест, благоприятных для бурения. Система создана фирмой
SRI International. Работы над системой начаты в 1974 г. и продолжались до 1983 г. Трудозатраты на создание системы оцениваются в 30
чел.-лет, система достигла промышленной стадии. При этом БЗ системы содержат свыше 1000 правил, и включает классификацию
более1000 геологических понятий.
Система PROSPECTOR решает задачи чисто поверхностным
образом, не вникая в суть происходящих в проблемной области процессов. Состояние проблемной области описывается в виде утверждений о проблемной области, например «условия района благоприятны».
Решение задач состоит в изменении априорно установленных
оценок «вероятностей» утверждений, которые осуществляются по результатам наблюдений, сообщаемых системе пользователем. Пересчет
оценок происходит на основе формулы Байеса, связывающий апостериорную вероятность гипотезы с ее априорной вероятностью и вероятностью наблюдения. Взаимосвязь гипотез и наблюдений представлена
в виде сети, которую можно рассматривать как графическое представление правил. Для представления правил в сети имеются И и ИЛИ
вершины, описывающие условия правил. Дополнительно в системе для
выражения таксономии геологических понятий используется семантическая сеть. Представление таксономии понятий позволяет системе
делать некоторые выводы, например, устанавливать, что наличие пиритов означает и наличие сульфидов. Основной управляющей стратегией системы является поиск от целей вглубь с применением ряда эвристик, обеспечивающих максимальное повышение шансов гипотез. В
системе реализованы объяснительные возможности, выявляющие причины задания вопроса или состояние решения задачи. Во время решения задач не вводится новых утверждений о проблемной области. Все
утверждения должны быть априорно утверждены экспертом.
Инструментальные средства, в основу которых положена система PROSPECTOR, обеспечивают удобные средства решения задач в
областях, характеризующихся неполнотой и неточностью знаний и
возможностью описать состояние области с достаточной для решения
задач степенью подробности в виде заранее фиксированного набора
утверждений.
Система R1 предназначена для определения конфигурации
298
компонентов ЭВМ VAX 11/780, удовлетворяющей требованиям заказчика. В состав ЭВМ VAX 11/780 входит 420 компонентов, каждый из
которых может иметь до 8-10 характеристик. Естественно, что число
возможных конфигураций, построенных из этих компонентов, достаточно велико. Система выполняет следующие функции: определяет, не
содержит ли заказ пользователя несовместимых компонентов, и выявляет недостающие; выдает конфигурацию ЭВМ VAX 11/780, которая
используется при установке системы заказчику; учитывает обусловленные заказчиком ограничения. До создания системы решением этих
задач на фирме занимались квалифицированные специалисты, тем не
менее, часто допускавшие ошибки. Система достигла коммерческой
стадии существования, объем ее БЗ 3000 правил языка OPS-5. Система
работает в интерактивном режиме. Средства объяснения реализованы в
виде заранее записанных текстов. Реализация системы на языке OPS-4,
а затем OPS-5 определили управляемую данными стратегию управления. Эффективность решения задач вызвана тем, что каждый шаг решения выполняется только тогда, когда для этого имеется достаточно
информации, чтобы его можно было бы сделать точно и в дальнейшем
никогда не пересматривать. Поэтому процесс проектирования сводится
к постоянному расширению частичной конфигурации. Указанный прием имеет отношение, как к применению каждого правила, так и решению каждой из шести подзадач, на которые разбита исходная задача.
Примечательным в системе является еще и то, что для управления порядком решения задач не требуется ввода дополнительных формализмов, кроме правил, имеющихся в языке OPS-5. Управление решением
задачи осуществляется чисто продукционным способом. Переход к
новой задаче отмечается устранением из рабочей памяти контекста
старой задачи и помещением контекста новой задачи. Поскольку все
правила в условии содержат контекст задачи, к которой они относятся,
то смена контекстов в рабочей памяти осуществляется обычными для
языка OPS-5 правилами. Усовершенствованная со временем система
R1 получила название XCON. Система R1 ( XCON ) является примером того, как сложная, по сути задача проектирования ( преобразования ) при наличии соответствующих значений может быть решена простыми эффективно реализуемыми методами.
6.13.1 Экспертно-проектная система технологий в современном машиностроительном производстве
Освещены принципы построения и результаты апробации автоматизированной экспертно-проектной системы машиностроения,
299
разрабатываемой специалистами МГТУ «Станки» Рассмотрены вопросы
интеграции
и
интеллектуализации
конструкторскотехнологического проектирования, декомпозиции технологий машиностроительного производства, оценки ресурсоемкости проектируемых
технологических процессов, а также формирования баз знаний.
С переходом предприятий на новые методы хозяйствования в
условиях радикальной экономической реформы перед ними весьма
остро встают проблемы повышения конкурентоспособности выпускаемой продукции, обеспечения всеми видами ресурсов, снижения издержек производства, решения социальных задач, соблюдения экологических требований и др. В связи с этим чрезвычайную важность
имеет разработка долгосрочной концепции развития (на 5-10 лет) производственной структуры предприятия, предусматривающей значительные затраты на разработку дорогостоящих технологий, производственных систем и средств управления, необходимых для выпуска
перспективной продукции.
Исходной базой для технического перевооружения предприятия должно служить его комплексное обследование, проведенное с
целью объективной оценки соответствия мировому уровню в данной
области производства. На первом этапе обследования необходимо
укрупнено оценить уровень ресурсоемкости и автоматизации по основным видам производства. В последующем, на основе анализа этих
данных может решаться задача по определению рациональной производственной структуры предприятия.
Разработка концепции технологического перевооружения связана с выполнением сравнительного анализа, разработкой прогнозов,
принятием ответственных решений и т. п. Необходимость учета влияния большого числа неформализованных факторов обуславливает целесообразность привлечения высококвалифицированных специалистов-экспертов и использование для поддержки принятия решения
достижений в области искусственного интеллекта.
6.13.1.1 Интеграция и интеллектуализация конструкторско-технологического проектирования
При существующем подходе к процессу подготовки производства, когда конструирование и проектирование технологии выполняются различными разработчиками и разделены во времени, весьма
сложно обеспечить системность и высокий уровень принимаемых проектных решений. В результате экспертного исследования, проведенного в конструкторско-технологических отделах предприятия электроме-
300
ханического профиля установлено, что в среднем для более чем 50 %
деталей требуется существенное изменение конструкции с учетом технологических особенностей их изготовления. Это связано с тем, что
при принятии проектных решений конструктор в большей степени
учитывает аспект функционального назначения и эксплуатационных
характеристик детали, а соображения технологичности ее изготовления
остаются на втором плане. В последующем, на этапе технологической
подготовки очень часто приходится корректировать, а иногда и полностью изменять конструкцию детали с учетом существующих или перспективных производственных возможностей предприятия. Такой итерационный режим работы конструкторско-технологических служб
наиболее характерен в условиях частой смены производственных изделий, и приводит, в конечном счете, к увеличению стоимости и продолжительности процесса проектирования. К этому следует добавить, что
на практике еще слабо реализуется принцип системного подхода к
целостному процессу изготовления детали (от исходного материала до
готового изделия). Поэтому конструктору приходится учитывать зачастую противоречивые требования и корректировать конструкцию детали с учетом рекомендаций технологов по всем используемым методам обработки.
В работе предлагается новый подход к процессу проектирования, при котором концептуальная проработка производственной технологичности осуществляется на стадии конструирования изделия
(детали). В этом случае существенно расширяются функции разработчика, который на ранней стадии проектирования должен выбрать рациональный маршрут и отработать изделие на технологичность с учетом используемых методов обработки. Очевидно, что столь ответственная задача может быть возложена на разработчика лишь при
обеспечении его обширной технологической базой знаний и эффективными средствами для работы с ней. Реализация технологической проработки на концептуальной стадии проектирования требует создания
принципиально новых интегрированных систем конструкторскотехнологического проектирования, в которых заложен коллективный
интеллект высококвалифицированных специалистов-экспертов.
Эффективным инструментом для решения этой сложной задачи может служить автоматизированная экспертно-проектная система
технологий машиностроения (АЭСТМ).
301
Рисунок 6.4 - Схема функционирования АЭСТМ в системе конструкторско-технологической подготовки производства
На рисунке 6.4. представлена схема функционирования
АЭСТМ в рамках интегрированной системы конструкторской (САПР
К) и технологической подготовки производства (САПР ТПП). В этом
случае конструктор или технолог используют АЭСТМ в режиме консультаций для выбора рационального маршрута изготовления и отработки деталей на технологичность.
В качестве критериев эффективности проектируемых процессов предлагается использовать натуральные (металл, энергия, труд) и
стоимостные (стоимость изготовления, капитальные затраты) показатели ресурсоемкости. Для их укрупненной оценки разработана оригинальная методика расчета и сформирована база данных, отражающая
ресурсопотребление по широкому спектру технологических процессов.
Одним из радикальных способов снижения ресурсоемкости
является рациональное применение малоотходных технологий, к которым относятся процессы ковки, точного литья, объемной и листовой
штамповки, порошковой металлургии и др. В этой связи при разработке первой версии АЭСТМ основное внимание было уделено формированию базы знаний по малоотходным технологиям.
302
6.13.1.2 Декомпозиция технологий машиностроительного
производства
В современном машиностроении существует широкий спектр
технологических методов обработки и средств для их реализации.
Каждый метод обработки характеризуется определенными техническими возможностями и имеет рациональную область практического
применения. Структуризация информации по современным технологиям обработки представляется важным шагом в решении задачи по
обеспечению технологически ориентированного конструирования изделий.
Структурная декомпозиция целостного процесса машиностроительного производства (от раскроя исходного материала до сборки и
испытания готового изделия) разработана на основе анализа и обобщения мнений высококвалифицированных экспертов-технологов. Она
включает пять иерархических уровней описания машиностроительного
производства и позволяет в процессе проектирования моделировать его
с различной степенью детализации (на уровнях этапов производства,
методов и способов обработки, технологических модулей и их модификаций). Приведенная на рисунке 6.5 структурная схема отражает
степень сложности рассматриваемой стоуктуоной декомпозиции. На
верхнем иерархическом уровне выполнена
Рисунок 6.5 - Уровни декомпозиции технологического процесса изготовления детали
укрупненная детализация целостного процесса машиностроительного
производства, которая применительно к процессу изготовления от-
303
дельной детали представляется в виде шести основных этапов: раскрой
материала, малоотходное формообразование полуфабрикатов, размерная обработка, упрочнение, финишная обработка, покрытия.
Для рассмотрения процесса производства изделия в целом к
указанным этапам необходимо добавить еще два: сборка, контроль и
испытания.
Каждый из указанных шести этапов может быть реализован
подмножеством технологических методов и способов обработки, которые, с учетом особенностей средств для их реализации (станков, прессов и т. д.), могут быть детализированы до уровня технологических
модулей и их модификации. В качестве примера на рисунке 6.5 приведена декомпозиция второго этапа, отражающего технологии малоотходного формообразования.
Для концептуальной проработки технологий, как правило, достаточно ограничиться уровнями технологического модуля или его
модификации. В рамках рассматриваемого подхода под технологическим модулем следует понимать типовые технологические процессы,
реализуемые с помощью определенного вида оборудования, технологической оснастки и средств управления. Информационная модель
технологического модуля, используемая при моделировании производств, отражена на рисунке 6.6. В качестве примера ниже приведены
наиболее употребимые технологические модули точного объемного
деформирования:
- холодная объемная штамповка на универсальных прессах;
- холодная объемная штамповка на многопозиционных прессах-автоматах;
- полугорячая объемная штамповка на универсальных прессах;
- полугорячая объемная штамповка на специализированных
многопозиционных прессах;
- горячая объемная штамповка на многопозиционных прессахавтоматах;
- горячая изотермическая объемная штамповка на гидравлических прессах.
304
Рисунок 6.6 - Информационная модель технологического
модуля
При этом отметим, что по точному объемному деформированию в настоящее время насчитывается около 50 модулей, а в целом по
машиностроению их около 10 000.
6.13.1.3 Оценка ресурсоемкости проектируемых технологических процессов
Металло- и энергосбережение необходимо рассматривать в
тесной связи, так как, например, при производстве стали на долю энергии приходится около 25 % ее стоимости, а при производстве цветных
сплавов эта составляющая затрат еще выше. При этом затраты энергии
на производство металла в металлургии в 5 -10 раз превышают суммарные затраты энергии на всех последующих этапах металлообработки. Поэтому широкое использование малоотходных процессов в металлообработке является, по сути, кардинальным методом снижения
энергозатрат в сквозном цикле производства.
Оценка затрат энергии на всех стадиях металлообработки
представляет сложность ввиду отсутствия общепринятой методики и
необходимости учета многих факторов, отражающих многообразие
используемых методов обработки, специфику технологического оборудования и преобразования энергии из одного вида в другой. В тех
случаях, когда прямое сопоставление затрат энергии невозможно,
представляется целесообразным использовать в качестве эквивалента
расход первичной тепловой энергии и условного топлива.
На рисунке 6.7 показана взаимосвязь основных методов металлообработки и способов преобразования энергии. Как видно, каж-
305
дому методу обработки соответствуют определенные способы физического воздействия на металл заготовки, которые в свою очередь, определяют возможные варианты преобразования энергии.
Рисунок 6.7 - Взаимосвязь методов обработки и способов преобразования энергии
Расход металла в сквозном технологическом маршруте изготовления детали характеризуется следующими составляющими:
Нм = Мд+Мо,
где Нм – норма расхода металла на деталь, кг;
Мд – масса детали, кг;
Мо – суммарная масса отходов на всех стадиях изготовления, кг.
Для оценки технического уровня процессов формообразования
(литье, ковка, штамповка, резание и др.) широко применяют коэффициент использования металла:
KИ 
МД
НМ
,
где Ки – коэффициент использования металла в сквозном технологическом процессе изготовления детали.
С учетом декомпозиции сквозного процесса на этапы (переделы, стадии, операции и т. д.) значение Ки определяется как произведение частных значений Ки(к),т.е.
n
К И   П К И (К ) ,
K 1
306
где
n. – число этапов при декомпозиции сквозного процесса;
Ки(к) – значение коэффициента использования металла для к-го эта-
па.
При этом значение Ки(к) будет равно
K И (К ) 
М ( К 1)
МК
,
где М(к) – масса заготовки (полуфабриката) после (к-1)-й стадии, (при
к=1, Мо=Нм);
М(к+1) – масса заготовки после к-й стадии, (при к=и, (М(к+1) =
Мд)).
Такой подход позволяет проследить эволюцию преобразования металла заготовки в деталь на всех этапах ее изготовления с любой
степенью детализации, а также учесть структуру образования отходов
(рисунок 6.8.).
В общем случае баланс энергозатрат включает затраты на получение металла, выполнение всех этапов (операций) технологического маршрута, а также возврат энергии в результате вторичной переработки технологических отходов металла
n
Q  QM   Q(k )  QОВ ,
k 1
где
Q – суммарные затраты энергии на производство металла и изготовление детали в сквозном маршруте;
Qм – затраты энергии на производство заготовки массой Нм;
n
 Q(k )
– суммарные затраты на выполнение технологического
k 1
маршрута, включающего к этапов (операций);
Qов – возврат энергии в результате вторичной переработки отходов металла.
Расчет остальных показателей ресурсоемкости (труд, стоимость изготовления, капитальные затраты) может выполняться по общепринятым методикам. Вычисленные таким образом для альтернативных вариантов изготовления пять показателей ресурсоемкости выдаются пользователю АЭСТМ в виде диаграммы (рисунок 6.9.). что
значительно облегчает процедуру принятия окончательного решения.
307
Рисунок 6.8 - Структура преобразования металла на К-й стадии обработки
308
Рисунок 6.9 – Сравнение ресурсоемкости альтернативных процессов изготовления детали
6.13.1.4 Формирование баз знаний в АЭСТМ
Известно, что при разработке экспертных систем один из
наиболее трудоемких этапов связан с формированием базы знаний.
При этом следует различать ряд специфических задач, связанных с
извлечением, представлением и использованием знаний в экспертной
309
системе.
Применительно к задаче обработки первичных экспертных
оценок разработав специальный программный комплекс "ЭкспертКор", позволяющий проводить оперативные экспертные исследования
с обработкой результатов на персональной ЭВМ. Его применение было
наиболее эффективным на этапе структуризации технологических знаний, который выполнялся с привлечением большого числа экспертов.
Для представления знаний могут быть использованы системы
продукции, семантические сети, фреймы и др. Исходя из доступных
для широкого пользователя программно-аппаратных средств наиболее
удобно разрабатывать экспертные системы на основе продукционного
подхода, используя правила типа "ЕСЛИ – ТО". В качестве примера
приведем правила для оценки целесообразности применения в технологическом маршруте этапа малоотходного формообразования. Исходной информацией для выбора служат следующие характеристики проектируемой детали:
- группа металла (изменяется от 1 до 10);
- коэффициент сложности формы - К;
- масса детали - М, кг;
- годовая программа выпуска - Р, шт.;
- диаметр заготовки - D, шт.;
Применение малоотходного формообразования ЦЕЛЕСООБРАЗНО,
ЕСЛИ:
М 005 К<0,16; 0,01M<0,l;
ИЛИ
Р
M 600;
М 010 К<0,16; 0,1M<1;
ИЛИ
Р
M 200;
М 015 К<0,16; 1M<10;
ИЛИ
Р
M 60;
М 020 К<0,16; 10M<100;
Р M 20;
ИЛИ
М 025 К<0,16; M>100;
ИЛИ
М 030 металл групп 5 – 10; 0,16  К < 0,32;
0,01  M < 0,1; Р M 600;
ИЛИ
М 035 металл групп 5 – 10; 0,16  К < 0,32;
310
0,1  M < P M 200;
ИЛИ
М 040 металл групп 5 – 10; 0,16  К < 0,32;
.
.
.
ИЛИ
М 060 металл групп 3 – 6;
D  200.
Для представления технологических знаний могут быть использованы таблицы решений, в которые заносятся экспертные оценки
специалистов. В этом случае в таблице (рисунок 6.10.) может быть
отражена вероятность получения заданного параметра на конкретном
технологическом модуле или модификации модуля.
Рисунок 6.10 - Пример таблицы решений для выбора технологического модуля
В целях обеспечения большей гибкости при принятии решений используется пятиуровневая шкала оценок. Для более полного
описания процедуры выбора на основе таблиц решений могут быть
использованы дополнительные правила типа «ЕСЛИ – ТО».
6.13.1.5 Реализация прототипа АЭСТМ
Для отладки базы знаний и механизмов принятия решений
прототип АЭСТМ был реализован в стандартной оболочке. Были про-
311
анализированы две системы: «Интер-Эксперт» и «Эксперт-Приз».
Предпочтение было отдано первой системе. В настоящее время прототип состоит из 4 основных компонент:
- интерфейс с пользователем;
- базы знаний технологических методов;
- экспертная система для определения степени целесообразности использования этапа малоотходного формообразования;
- экспертная система формирования маршрута изготовления
детали.
Интерфейс с пользователем позволяет:
- вести информацию о детали в виде числовых значений ряда
заранее определенных параметров;
- исключить из рассмотрения параметры, значения которых по
каким-либо причинам не известны или не существенны для конкретного случая;
- получить наглядное представление результатов консультаций
и принять окончательное решение о выбранном маршруте;
- провести анализ влияния каждого параметра на процесс выбора технологических модулей в маршруте.
База знаний технологических методов состоит из набора таблиц решений, о которых уже упоминалось в предыдущем разделе (см.
рисунок 6.10.)
Экспертная подсистема для определения степени целесообразности этапа малоотходного формообразования содержит знания экспертов, представленных в виде правил (примеры этих правил были
представлены в предыдущем разделе), позволяющие по заданным значениям параметров детали определить степень целесообразности по
шкале «весьма целесообразно» – «целесообразно» – «не целесообразно».
Экспертную систему формирования маршрута изготовления
детали рассмотрим более подробно. Функциональная структура задачи
выбора технологического маршрута представлена на рисунок 6.11. из
которого видно, что ее удалось разбить на несколько шагов. На первом
шаге по множеству значений параметров, описывающих входную де-
312
6.11 – Функциональная структура задач выбора
технологического маршрута
313
таль (назовем ее входным вектором Д) для каждого этапа определяется
подмножество технологических модулей, либо их модификаций, которые могут быть использованы для изготовления этой детали. На первом этапе активно используется база знаний технологических методов.
Второй шаг заключается в вычислении или оценке для каждого выбранного на первом шаге технологического модуля значений
пяти показателей ресурсоемкости (назовем их входным в ктором К) по
методике описанной выше.
На третьем шаге формируются возможные технологические
маршруты и для каждого из них вычисляется выходной вектор К. При
этом в маршрут попадает не более одного технологического модуля из
каждого этапа. Задача формирования технологического маршрута интерпретируется как задача планирования, в которой планом является
последовательность технологических модулей, преобразующих заготовку в деталь, либо наоборот. Три результирующих маршрута с
наибольшими значениями степени уверенности визуализируются и
специалист-пользователь принимает окончательное решение.
По первым результатам испытаний прототипа были определены два основных режима работы АЭСТМ: «Консультация» и «Генерация маршрута».
В режиме «Консультация» конструктор, выбирая методы,
формирующие маршрут обработки детали, по мере необходимости
консультируется с системой с целью уточнения условий применения
методов, его ограничений, последствий его применения, особенностей
его применения на конкретном предприятии и др. После выбора маршрута конструктор вводит в систему всю исходную информацию о детали и созданный маршрут. Система проводит оценку маршрута по пяти
критериям и представляет ее конструктору. Конструктор может предложить системе несколько вариантов маршрута. Она их все оценит и
представит конструктору на экране в сравнительном виде.
Во втором режиме «Генерация маршрута» человеко-машинная
система в диалоговом режиме генерирует по исходной информации о
детали несколько приемлемых маршрутов, оценивает их и представляет конструктору для принятия окончательного решения.
6.13.1.6 Выводы
Автоматизированная экспертно-проектная система и используемая в ней методология выбора рациональных технологий может дать
наибольший эффект при экспертизе проектных решений и действующих производств с целью их кардинального технологического и техни-
314
ческого переоснащения. При этом возможны следующие варианты
оказания экспертно-проектных услуг:
- автоматизированная эксперсс-экспертиза проектов и действующих производств с целью определения их технологического
уровня с численной оценкой по показателям ресурсоемкости, уровня
автоматизации и гибкости;
- разработка технических предложений (концепции) технологического переоснащения (реконструкции) завода или отдельных производств;
- разработка в короткие сроки (4-6 мес.) технического проекта
реконструкции завода (производств) с целью достижения мирового
уровня технологий и эффективности.
Естественно, что такие проекты должны создаваться в рамках
целого ряда условий и ограничений, в числе которых можно назвать
следующие основные:
- рост объемов производства в результате реконструкции;
- ограничения по производственным площадям и новому строительству;
- ограничения по капитальным затратам на технологическое
оборудование и строительно-монтажные работы, в том числе в конвертируемой валюте;
- сохранение или сокращение численности работающих;
- приоритеты в экономии ресурсов: материальных, трудовых,
энергетических, финансовых при производстве продукции;
- уровень автоматизации и гибкости производства;
- частота модернизации объектов производства и их сменяемости;
- длительность цикла конструкторско-технологической подготовки производств. В связи с переходом на рыночные отношения, ориентацию машиностроения на производство товаров бытового назначения и связанные с этим прогнозируемые крупные инвестиции можно
ожидать в ближайшее время резкое увеличение спроса на экспертнопроектные услуги (инжиниринг) в этой области, выполняемые за короткий срок на высоком научно-техническом уровне.
Опыт коллектива МГТУ «Станкин» в создании на Московском
электромеханическом заводе листоштамповочного и инструментального производств показывает, что применение ориентированной на эти
цели автоматизированной экспертно-проектной системы позволит в 4
раза сократить сроки выполнения таких наукоемких проектов, обеспечить научное обоснование принимаемых проектных решений.
315
6.14. Проблемы, возникающие при создании ЭС. Перспективы разработки
С 70-х годов ЭС стали ведущим направлением в области искусственного интеллекта. При их разработке нашли применение методы ИИ, разработанные ранее: методы представления знаний, логического вывода, эвристического поиска, распознавания предложений на
естественном языке и др. Можно утверждать, что именно ЭС позволили получить очень большой коммерческий эффект от применения таких мощных методов. В этом – их особая роль.
Каталог ЭС и инструментальных программных средств для их
разработки, опубликованный в США в 1987 году, содержит более 1000
систем (сейчас их уже значительно больше). В развитых зарубежных
странах сотни фирм занимаются их разработкой и внедрением. Имеются и отечественные разработки ЭС, в том числе – нашедший промышленное применение.
Однако уже на начальных этапах выявились серьезные принципиальные трудности, препятствующие более широкому распространению ЭС и серьезно замедляющие и осложняющие их разработку.
Они вполне естественных и вытекают из самих принципов разработки
ЭС.
Первая трудность возникает в связи с постановкой задач.
Большинство заказчиков, планируя разработку ЭС, в следствие недостаточной компетентности в вопросах применения методов ИИ, склонны значительно преувеличивать ожидаемые возможности системы.
Заказчик желает увидеть в ней самостоятельно мыслящего эксперта в
исследуемой области, способного решать широкий круг задач. Отсюда
и типичные первоначальные постановки задачи по созданию ЭС: «Разработать ЭС по обработке изображения»; «Создать медицинские ЭС по
лечению заболеваний опорно-двигательного аппарата у детей». Однако, как уже отмечалось, мощность эвристических методов решения
задач при увеличении общности их постановки резко уменьшается.
Поэтому наиболее целесообразно (особенно при попытке создания ЭС
в области, для которой у разработчиков еще нет опыта создания подобных систем) ограничиться для начала не слишком сложной обозримой задачей в рассматриваемой области, для решения которой нет простого алгоритмического способа (то есть неочевидно, как написать
программу для решения этой задачи, не используя методы обработки
знаний). Кроме того, важно, чтобы уже существовала сложившаяся
316
методика решения этой задачи «вручную» или какими-либо расчетными методами. Для успешной разработки ЭС необходимы не только
четкая и конкретная постановка задач, но и разработка подробного
(хотя бы словесного) описания «ручного» (или расчетного) метода ее
решения. Если это сделать затруднительно, дальнейшая работа по построению ЭС теряет смысл.
Вторая и основная трудность - проблема приобретения (усвоения) знаний. Эта проблема возникает при «передаче» знаний, которыми обладают эксперты-люди, ЭС. Разумеется для того, чтобы «обучить» им компьютерную систему, прежде всего требуется сформулировать, систематизировать и формализовать эти знания «на бумаге».
Это может показаться парадоксальным, но большинство экспертов (за
исключением, может быть, математиков), успешно используя в повседневной деятельности свои обширные знания, испытывают большие
затруднения при попытке сформулировать и представить в системном
виде хотя бы основную часть этих знаний:
иерархию используемых понятий, эвристики, алгоритмы, связи между ними. Оказывается, что для подобной формализации знаний
необходим определенный систематический стиль мышления, более
близкий математикам и программистам, чем, например, юристам и
медикам. Кроме того, необходимы, с одной стороны, знания в области
математической логики и методов представления знаний, с другой знания возможности ЭВМ, из программного обеспечения, в частности,
языков и систем программирования.
Таким образом, выясняется, что для разработки ЭС необходимо участие в ней особого рода специалистов, обладающих указанной
совокупностью знаний и выполняющих функции «посредников» между экспертами в предметной области и компьютерными (экспертными)
системами. Они получили название инженеры знаний (в оригинале knowledge engineers), а сам процесс разработки ЭС и других интеллектуальных программ, основанных на представлении и обработке знаний
- инженерией знаний (knowledge engineering). В развитых зарубежных
странах специальность «инженер знаний» введена во многих вузах, в
нашей стране основы инженерии знаний изучаются пока в рамках специализаций по системному программированию. Функции эксперта и
инженера знаний редко совмещаются в одном лице. Чаще функции
инженера знаний выполняет разработчик ЭС. Как показал опыт многих
разработок, для первоначального приобретения знаний, в которых
участвуют эксперты, инженеры знаний и разработчики ЭС, требуется
активная работа всех трех категорий специалистов. Она может длиться
317
от нескольких недель до нескольких месяцев.
На этапе приобретения знаний могут возникнуть трудности и
психологического порядка: эксперт может препятствовать передаче
своих знаний ЭС, полагая, что это снизит его престиж как специалиста
и создаст предпосылки для замены его «машиной». Однако эти опасения лишены оснований: ЭС «уверенно» работает лишь в типовых ситуациях, а также удобна в случаях, когда человек находится в состоянии
стресса, в наиболее сложных ситуациях, требующих нестандартных
рассуждении и оценок, эксперт- человек незаменим.
Третья серьезная трудность - в очень большой трудоемкости
создания ЭС: требуется разработать средства управления базой знаний,
логического вывода, диалогового взаимодействия с пользователем и
т.д. Объем программирования столь велик, а программы столь сложны
и нетрадиционны, что имеет смысл, как это принято сейчас при разработке больших программ, на первом этапе создать демонстрационный
прототип системы – предварительный вариант, в котором в упрощенном виде реализованы лишь ее основные планируемые возможности и
которая будет служить для заказчика подтверждением того, что разработка ЭС для решения данной задачи принципиально возможна, а для
разработчиков - основой для последующего улучшения и развития
системы.
Одной из причин неудач в создании ЭС стала недооценка авторами ЭС объемов и роли неявных знаний. Системы, базы знаний
которых создавались на основе справочников, в лучшем случае так
справочниками и остались. Большинство же таких систем оказывались
даже хуже справочников. так как сковывали исследовательскую мысль
пользователя. Вторым «узким местом» ЭС оказалась модель, на которой были основаны их первые экземпляры, и лишь модель знаний,
принимающая вид пороговой направленной иерархической сети с возможностью выбора в конечном из логических узлов (где каждая отдельная ситуация похожа на дерево с листьями), может стать базой для
построения ЭС.
Когда стала очевидной полная непригодность этих систем и
созданного для них специализированного аппаратного оборудования,
многие обозреватели пришли к выводу, что существующая технология
создания ЭС была тупиковым направлением в развитии информационных технологий. В последнее десятилетие ЭС возродились в виде систем с базой знаний, которые тесно переплетались с существующими
деловыми системами. Их используют в здравоохранении, страховании,
банковском деле и других областях, чтобы с помощью правил и объек-
318
тов накапливать опыт, повысить качество принимаемых решений. Базы
знаний встроены сегодня в наиболее современные крупные системы.
Они находятся в самой сердцевине программ- агентов, осуществляющих поиск в сети Internet, и помогают коллективам пользователей
справиться с потоками информации.
Рассмотрим факторы, стимулировавшие развитие систем с базами знаний:
- компании, добившиеся значительной экономии денежных
средств благодаря технологии баз знании, развивают и
встраивают ее в специальные бизнес-процессы, которые
были бы просто невозможны без компьютерной экспертизы;
- разработаны новые технологии создания баз знании, являющиеся необходимым средством, которое может изменить бизнес-процесс;
современные
системы
реализованы
не
наспециализированном, а на стандартном оборудовании.
Объединение всех видов программных продуктов и их отдельных компонентов в единую ЭС признано экономически выгодным, так
как прменение ЭС позволяет существенно сократить расходы на подготовку квалифицированного персонала, дальнейшую проверку работоспособности и надежности разрабатываемых и исследовательских
систем, а также уменьшить время проектирования и (или) исследования.
Объектная технология, на основе которой могут создаваться и
развиваться современные ЭС,- значительный шаг вперед по сравнению
с CASE-средствами, т.к. она похожа на наше восприятие окружающей
действительности. Наше представление о моделировании меняется, то
же самое происходит и с объектами, поэтому сопровождение программируемых объектов может выполнятся аналогично приспособлению
наших умозрительных образов к изменению окружающих условий.
Данная технология прекрасно подходит аналитикам и программистам,
т.к. очень напоминает стратегию решения проблем и соответствует
мыслительным процессам людей, считающихся экспертами в своей
области.
Чтобы стать экспертом, специалисту нужен инструментарий,
имитирующий мышление эксперта. Разработка парадигмы превращается из задачи, чуждой мышлению человека, в знакомое, привычное и
легко выполняемое задание.
319
Как работают эксперты? Следуя принципам, заложенным в
объектно-ориентированные технологии, они подразумевают проблемы
на объекты или классы объектов. По мере накопления знаний в определенной области они делают обобщения, ориентируясь на выделенные объекты или классы объектов. Некоторые обобщения имеют
иерархическую структуру, где свойства высших объектов наследуются
объектами низшего уровня. Сущность может соответствовать нескольким классам объектов и взаимодействовать с различными объектами
или классами. По мере того как знания эксперта углубляются, на их
основе формируются новые ассоциации, а отдельные уровни иерархии
пропадают или расширяются.
Методика объектно-ориентированного программирования основана на модели, напоминающей образы, возникающие в мозгу аналитика, которая представляет предметы и процессы в виде объектов и
связей между ними. Наблюдая событие, эксперт легко выделяет знакомые образы. Для решения проблем он испытывает конкретные правила, рассматривая при этом исследуемую проблему под определенным
ракурсом.
При разработке систем автоматизированного проектирования
(САПР) уже нельзя обойтись без ЭС; их использование признано экономически выгодным.
С середины 80-х годов наиболее популярные системы с базами
знаний создавались с ориентацией на стандартное оборудование. В
этом ключ к пониманию причин успеха современной технологии баз
знаний. Опыт показывает, что системы с базами знаний необходимо
встраивать в самые важные бизнесе- процессы и организовывать работу персонала так, чтобы он мог максимально использовать их преимущества для достижения наилучших результатов.
6.15 Выводы
При автоматизации решения технологических задач во многих
областях машиностроения и человеческой деятельности бывает затруднительно, а то и просто невозможно использовать формализованные, алгоритмические, теоретически обоснованные методы. Решение
этой проблемы связанно с развитием одного из направлений систем
искусственного интеллекта, имитирующего действия и рассуждения
человека-специалиста в узкой предметной области. Появление таких
систем, называемых экспертными ознаменовало переход из сугубо
теоретической области искусственного интеллекта в прикладную об-
320
ласть.
Идеологию ЭС можно выразить формулой:
Знание плюс вывод равняется система. ЭС предполагает взаимодействие блоков. Главные из них – база знаний и механизм вывода.
Кроме того, имеется и развитый интерфейс с пользователем, модуль
пополнения знаний и объяснений.
В последние годы нарастает количество теоретических и практических работ в области создания нейроподобных структур. Разрабатываемые в рамках данного направления нейрокомпьютеры должны
состоять из отдельных элементов, каждый из которых имитирует работу одного нейрона. Такие системы обладают способностью к самообучению на примерах и действуют по принципу сообщества нервных
клеток, составляющих человеческий мозг. Считается, что в отличие от
ЭС нейроподобные сети способны решать задачи в любых предметных
областях вне зависимости от сложности этой предметной области и от
наличия специалистов-экспертов. Данное направление активно развивается и начинает создавать конкуренцию ЭС.
В аспирантуре обеих кафедр обучается ежегодно 8-12 аспирантов. В 1998 году открываются магистратура – первая в нашем
вузе – по двум магистерским программам: 55.29.10. "Инструментальное обеспечение машиностроительных производств" (руководитель Хоменко В.А.), 55.29.01. "Технология машиностроения" (руководитель Татаркин Е.Ю.), и докторантура (руководитель Татаркин Е.Ю. и Хоменко В.А.) К этому времени уже в течение трех лет
работает межкафедральный центр довузовской подготовки учащихся школ, лицеев, колледжей. Таким образом, кафедры ТАП и ТМ реализуют систему, включающую в себе шесть образовательных уровней:
1 Довузовская специализированная подготовка; 2 Подготовка
бакалавров техники и технологий; 3 Подготовка дипломированных
специалистов (инженеров); 4 Подготовка магистров техники и технологий; 5 Подготовка кандидатов технических наук в собственной
аспирантуре; 6 Подготовка докторов технических наук в докторантуре. (Продолжение на стр. 429 ).
321
Скачать