logo
Базы знаний интелл

4.5.2. Современное состояние автоматизированных систем приобретения знаний

Анализ современного состояния программных средств приобретения знаний и поддержки деятельности инженера по знаниям позволяет выявить две группы проблем, характерных для существующих СПЗ:

• Методологические проблемы.

• Технологические проблемы.

А. Методологические проблемы

Основная проблема, встающая перед разработчиками, — отсутствие теоретического базиса процесса извлечения и структурирования знаний — порождает дочерние более узкие вопросы и казусы на всех этапах создания интеллектуальных систем. Даже тщательно проработанная методология KADS, описанная в предыдущем параграфе, страдает громоздкостью и явной избыточностью. Ниже перечислены наиболее общие из возникающих проблем в последовательности, соответствующей стадиям жизненного цикла (см. рис. 2.4):

• размытость критериев выбора подходящей задачи;

• слабая проработанность теоретических аспектов процессов извлечения знаний (философские, лингвистические, психологические, педагогические, дидактические и другие аспекты), а также отсутствие обоснованной классификации методов извлечения знаний и разброс терминологии;

• отсутствие единого теоретического базиса процедуры структурирования знаний;

• жесткость моделей представления знаний, заставляющая разработчиков обеднять и урезать реальные знания экспертов;

• несовершенство математического базиса моделей представления знаний (дескриптивный, а не конструктивный характер большинства имеющихся математических моделей);

• эмпиричность процедуры выбора программного инструментария и процесса тестирования (отсутствие критериев, разрозненные классификации, etc.).

Б. Технологические проблемы

Большая часть технологических проблем является естественным следствием методологических и порождена ими. Наиболее серьезными из технологических проблем являются:

• отсутствие концептуальной целостности и согласованности между отдельными приемами и методами инженерии знаний; ;

• недостаток или отсутствие квалифицированных специалистов в области инженерии знаний;

• отсутствие технико-экономических показателей оценки эффективности ЭС (в России);

• несмотря на обилие методов извлечения знаний (фактически более 200 в обзоре [Boose, 1990]), практическая недоступность методических материалов по практике проведения сеансов извлечения знаний;

• явная неполнота и недостаточность имеющихся методов структурирования знаний [Кук, Макдональд, 1986; Гаврилова, Червинская, 1992], отсутствие классификаций и рекомендаций по выбору подходящего метода;

• несмотря на обилие рынка программных средств, недостаток промышленных систем поддержки разработки и их узкая направленность (зависимость от платформы, языка реализации, ограничений предметной области), разрыв между ЯПЗ и языками, встроенными в «оболочки» ЭС;

• жесткость программных средств, их низкая адаптивность, отсутствие индивидуальной настройки на пользователя и предметную область;

• слабые графические возможности программных средств, недостаточный учет когнитивных и эргономических факторов;

• сложность внедрения ЭС, обусловленная психологическими проблемами персонала и неприятия новой технологии решения задач.

4.6. Примеры методов и систем приобретения

знаний

Данный параграф посвящен обзору некоторых наиболее известных методов и систем приобретения знаний, на основе переработки материалов из работ [Осипов, 1990; Молокова, 1992; Осипов, 1997].

4.6.1. Автоматизированное

структурированное интервью

Впервые структурированное интервью применено при создании системы TEI-RESIAS [Davis, 1982] для формирования новых правил и новых понятий. Для этих целей в системе использованы следующие соображения: в случае неудачи в режиме консультации (или тестирования) система предлагает эксперту выделить причины неудачи. Контекст, полученный в результате этого, позволяет системе сформировать некоторые «ожидания», характеризующие содержание нового правила, которое будет вводиться экспертом для устранения неудачи.

Система ROGET[Bennet, 1985] — это первая попытка заменить инженера знаний программной системой на начальном этапе приобретения знаний. Эта система беседует с экспертом как инженер по знаниям, стремящийся понять, как концептуально могут быть организованы экспертные знания, необходимые для создания диагностической ЭС.

В системе MOLE [Eshelman, 1987] приобретение знаний осуществляется в два этапа: на первом этапе используется структурированное интервью и эксперту (или инженеру по знаниям) предлагается ввести список событий предметной области и определить связи между ними; на втором этапе выполняется контекстное приобретение знаний, как это сделано в системе TEIRESIAS.

Система состоит из двух частей: интерпретатора базы предметных знаний и подсистемы приобретения знаний. Последняя поддерживает как процесс первоначального заполнения БЗ, так и процесс отладки и уточнения БЗ.

Интерпретатор БЗ ориентирован на класс диагностических задач и осуществляет вывод решения путем сопоставления заранее определенного множества гипотез (о причине неисправности, о заболевании и т. д.) с совокупностью наблюдений (симптомов, показаний приборов и т. д.). Иными словами, интерпретатор системы MOLE реализует некоторый вариант метода эвристической классификации.

В базе знаний MOLE первоначально существуют знания о том, какие типы когнитивных структур необходимы для осуществления вывода и как распознать знания того или иного типа в информации, сообщаемой экспертом. MOLE запрашивает у эксперта список объектов, играющих роли гипотез и наблюдений. Эксперт, кроме того, должен указать, какие пары «наблюдение — гипотеза» и «гипотеза — гипотеза» ассоциативно связаны.

Результатом этого этапа извлечения знаний является сеть объектов. Затем MOLE пытается получить дополнительную информацию: о типе объекта (является объект наблюдаемым или выводимым); о природе ассоциативной связи (какой тин знаний лежит в основе ассоциации — объясняющие, предсказывающие или иные); о направлении ассоциативной связи, о численной оценке «силы» ассоциативной связи. Однако MOLE понимает, что эксперт не всегда может предоставить такую информацию. Поэтому на этом этапе MOLE использует стратегию ожиданий: она пытается вывести необходимую информацию из сообщений эксперта на основе своих ожиданий.

На этапе начального формирования базы знаний MOLE назначает численные веса ассоциативных связей но умолчанию на основе следующих посылок:

• каждое наблюдение должно быть объяснено некоторой гипотезой;

• только одна из гипотез, объясняющих данное наблюдение, является в каждом конкретном случае наиболее вероятной;

• сумма оценок для связей данного наблюдения с объясняющими его гипотезами равна единице.

Тогда по умолчанию MOLE назначает для каждой связи данного наблюдения оценку, полученную как частное от деления единицы на число гипотез, объясняющих данное наблюдение. MOLE предполагает, что если эксперт сообщил несколько объяснений для одного и того же объекта, то, вероятно, он может сообщить и знания, позволяющие различать эти объяснения.

Система приобретения знаний SALT [Markus, 1987] создана в университете Carnegie Mellon. Система SALT — система приобретения знаний для задач конструирования. Система SALT разрабатывалась в предположении, что решение этой задачи осуществляется методом пошагового распространения ограничений.

Для решения задач конструирования методом пошагового распространения ограничений необходимы знания следующих типов:

• процедуры установления значений параметров;

• процедуры проверки ограничений;

• процедуры коррекции значений параметров с указанием «цены» каждого корректирующего действия.

Важно, чтобы все эти знания составляли целостную и непротиворечивую БЗ.

Наибольшую трудность для эксперта представляет необходимость последовательно, шаг за шагом описать все свои действия при разработке проекта. Работая с системой SALT, эксперт избавлен от этой необходимости.

Исходя из того, как именно экспертные знания будут использоваться в ЭС при составлении конкретных проектов, SALT анализирует текущее состояние БЗ и предлагает эксперту-пользователю ввести или пересмотреть тот или иной фрагмент знаний. Диалог с пользователем в SALT ведется либо посредством вопросов-подсказок, либо посредством меню. Инициатива в диалоге принадлежит системе.

Система приобретения знаний OPAL [Musen, Pagan, et al., 1987] была создана в начале 80-х годов в Стэнфордском университете. Эта система обеспечивает формирование и наращивание базы знаний для ЭС ONCOCIN, дающей советы по лечению онкологических больных. Система приобретения знаний OPAL основана на детально проработанной модели медицинских знаний, используемых врачами-онкологами для рекомендации лечения. Системой используется девять типов знаний:

• схема лечения (порядок и длительность режимов лечения);

• критерий выбора протокола;

• химиотерапия (описание комбинаций лекарств, назначаемых в том или ином режиме, их дозировка);

• радиотерапия (локализация и дозировка радиотерапии);

• изменения в составе крови, требующие модификации дозировки;

• негативные реакции на лечение, выявленные путем лабораторных исследований;

• другие отрицательные последствия проводимого лечения, требующие модификации дозировки лекарств;

• перерыв или прекращение лечения;

• лабораторные исследования, необходимые для обнаружения токсичности лечения и для сохранения истории течения болезни.

Эти типы медицинских знаний связаны в иерархическую структуру.

Для ввода каждого типа знаний разработан специальный графический интерфейс, учитывающий то, как принято фиксировать соответствующие знания. Так, например, для записи схемы лечения онкологи используют диаграммы переходов с условиями на дугах. В системе OPAL ввод таких знаний осуществляется с помощью графического языка программирования. Схема лечения создается как программа на этом языке.

Схемы протоколов и заполненные формы транслируются системой OPAL во внутреннее представление БЗ ЭС ONCOCIN. Этот процесс осуществляется без участия пользователя. По схемам протоколов порождаются диаграммы переходов, называемые генераторами; по формам-бланкам порождаются правила продукций, присоединяемые к соответствующим состояниям в диаграмме.

Система KNA СК создана в 1989 г. в университете Carnegie Mellon. Она представляет собой ориентированный на экспертов предметной области инструмент для создания ЭС, помогающих оценивать и улучшать различные виды проектов.

Единственными знаниями, изначально встроенными в систему KNACK, являются знания о процессе оценки проектов вообще, то есть независимо от конкретного содержания проектов. Все остальные знания приобретаются системой KNACK на основе диалога и анализа документов, называемых отчетами. Отчет описывает процесс оценки какого-либо конкретного проекта.

Приобретение знаний, необходимых для оценки проектов определенного класса, система KNACK осуществляет в два этапа. Первый этап — это настройка на класс проектов. На этом этапе система KNACK с помощью эксперта создает предварительную модель. Расширенная с помощью специальных процедур модель предметной области автоматически транслируется в программу на языке OPS-5.

К методам структурированного интервью примыкают и использованные при построении системы МЕДИКС [Ларичев, Мечитов и др., 1989] процедуры экспертной классификации. Задача экспертной классификации формулируется в работе [Ларичев, Мечитов и др., 1989] для:

• множества независимых свойств Р;

• множества признаков Q;

• множества Qm возможных значений m-го признака;

• множества А всех возможных состояний.

Эксперту (или группе экспертов) предлагается идентифицировать наличие свойств из множества Р и тем самым построить классификацию множества А = UKj, такую, что состояние аОА относится к некоторому классу Kj, если, по мнению эксперта, это состояние обладает свойством POP. Повысить эффективность экспертной классификации в этом случае удается благодаря использованию априорно заданного отношения линейного порядка на множестве состояний.