АВТОМАТИЗИРОВАННЫЕ ЭКСПЕРТНЫЕ СИСТЕМЫ

Автоматизированная экспертная система – это продвинутая компьютерная программа (набор команд), которая имитирует знания и способности эксперта к рассуждениям в какой-либо специальной области. Создатели такой системы стремятся клонировать знания одного или нескольких специалистов чтобы создать инструмент, который может быть использован непрофессионалом для решения сложных задач. Основное преимущество экспертных систем состоит в их низкой стоимости по сравнению со стоимостью услуг экспертов или групп специалистов. Экспертные системы отличаются от обычных компьютерных программ, основными функциями которых являются поиск информации, манипуляция данными и вычисления. В отличие от таких программ они применяют к фактам определенные правила, которые устанавливают отношения между этими фактами с целью получения рассуждений, подобных тем, которые бывают у человека. Двумя основными компонентами экспертных систем являются: 1) база знаний, которая отличается от базы данных в том, что она содержит исполняемый программный код (предписания), и 2) логическая машина (решатель задач), которая интерпретирует и оценивает предписания и данные, содержащиеся в базе знаний.

Концепция экспертных систем появилась еще в 60-х годах прошлого столетия, но впервые она привлекла к себе внимание благодаря трудам профессора Стэнфордского университета Эдварда Фейгенбаума (Edward Feigenbaum). В 1977 году он показал, что эффективность компьютерных программ при решении сложных логических задач в большей степени определяется объемом знаний в соответствующей проблемной области, которыми они располагают, чем от формализмов и техники программирования, которые они используют. Вначале экспертные системы применялись в области диагностики и лечения болезней человека. Позднее они стали использоваться в таких областях деятельности как химия, банковское дело, налогообложение и геология. Был такой период времени, когда многие специалисты считали, что нейронные сети и экспертные системы являются конкурирующими направлениями в работах по искусственному интеллекту. Но в настоящее время преобладает точка зрения, что это два равноправных альтернативных подхода к решению задач со свойственными им достоинствами и недостатками. При этом экспертные системы ориентированы преимущественно на использование наборов правил и их последовательное применение, а нейронные сети - на использование примеров. Оба подхода являются достаточно общими и должны применяться с учетом характера решаемых задач. Задача может быть решена либо путем обучения нейронной сети, либо путем проектирования экспертной системы.

Для проектировщика интеллектуальной системы автоматической обработки информации экспертная система проще для понимания, чем нейронная сеть, так как в ней применяются правила типа “ЕСЛИ …, ТО …”, используемые и в человеческих рассуждениях. Нейронная же сеть имитирует малопонятные биологические процессы в мозгу и может показаться странной. Проектировщик практически не может видеть, как обучается нейронная сеть. По свидетельству авторов ряда американских научных публикаций, проектирование экспертной системы часто занимает многие месяцы, затрачиваемые на сбор и осмысление необходимой исходной информации, перевода ее на язык правил и фактов, составление и отладку программ и разработку интерфейса. При этом необходимо понять задачу и представить процесс ее решения в виде последовательности логических операций. После того, как это сделано, экспертная система может быть построена и отлажена за нескольких дней.

При проектировании нейронной сети нет необходимости формализовать процесс решения задачи. Достаточно лишь подготовить представительную выборку обучающих примеров и провести обучение системы. Продолжительность обучения может варьировать, но большинство нейронных сетей обучается за период времени продолжительностью от нескольких часов до нескольких дней. Возникает естественный вопрос, какой тип интеллектуальной системы следует выбирать при решении той или иной конкретной задачи. Этот выбор зависит, прежде всего, от характера исходной информации, которой располагает проектировщик. Если задача может быть решена “по правилам” и эти правила известны или могут быть легко определены, то следует выбирать экспертную систему. Если правила неизвестны, но есть много эмпирических сведений о входных и выходных данных автоматизируемого процесса, то следует выбирать нейронную сеть. Нейронные сети целесообразно использовать вместо традиционных методов программирования, когда правила функционирования автоматизируемых объектов и процессов неопределенны или когда они изменяются во времени.

Нейронные сети и экспертные системы могут использоваться совместно в составе гибридных систем. При этом нейронные сети могут применяться для распознавания образов (например, для распознавания финансовых ситуаций или чувственных данных), а экспертные системы - для последующей логической обработки результатов распознавания. Экспертные системы могут также применяться в процессах обучения нейронных сетей. Многие сложные задачи могут быть решены путем совместного использования процедур логического вывода и процедур, моделирующих человеческую интуицию. В гибридных системах логический вывод может выполняться с помощью экспертных систем, а человеческая интуиция моделироваться с помощью нейронных сетей. Обученные нейронные сети могут быть представлены в виде матриц порогов чувствительности входов в нейроны, храниться на компьютерном диске или на чипе и использоваться в составе экспертных систем в качестве специальных процедур.