Экспертные системы (стр. 1 )

Экспертные системы.. 2

Лекция №1 (04.09.2006) 2

Лекция №2 (11.09.2006) 4

Классы ЭС.. 4

Классифицирующие ЭС.. 4

Доопределяющие ЭС.. 5

Трансформирующие ЭС.. 6

Многоагентные ЭС.. 6

Самообучающиеся системы.. 7

Основные характеристики индуктивных систем в качестве самообучающихся. 7

Лекция №3 (18.09.2006) 8

Этапы создания экспертной системы.. 8

Дополнение с iu7-world. 9

Конструирование ЭС. Стадии разработки. Процесс приобретения знаний. 9

Фазы создания ЭС.. 10

Определение ресурсов. 11

Определение целей. 11

Стадия концептуализации. 11

Стадия формализации. 12

Стадия реализации. 12

Стадия тестирования. 12

Построение прототипной версии. 13

Программные средства для приобретения знаний. 14

Редакторы и интерфейсы для формирования баз знаний. 14

Объяснительные средства. 15

Перестройка базы знаний. 16

Реализация ЭС продукционного типа с использованием вероятностей и эвристик. 17

Blackboard systems (Системы с доской объявлений) 17

Пространство состояний. Дерево вывода решений. 18

Основные модели представления знаний. 20

Логическая модель. 20

Реализация механизма обратного вывода. 20

Модель представления знаний в виде семантической сети. 22

Элементы семантической сети. 23

Лекция №4 (09.10.2006) 24

Основные падежи. 24

Получение вывода с помощью семантической сети. 24

Фреймы.. 25

Представление знаний с помощью фреймов. 25

Понятие фрейма и слота. 25

Функционирование фреймовой системы.. 26

Лекция8

Задача распознавания геометрических объектов на плоскости с использованием фреймовой модели. 28

Фрейм.. 29

Характерные особенности фрейм-подхода к модели представления знаний. 29

Лекция0

Фрейм – визуальные области. 30

Многоагентные системы.. 31

Лекция2

Этапы распознавания изображения (Системы Распознавания). 32

Лекция 10. 36

Метод построения эвристических алгоритмов на примере построения проектной задачи, компоновки или размещения радиоэлектронного оборудования на борту маневренного самолета. Характеристика проектной задачи компоновки оборудования. 36

Лекция 11. 37

Методологические основы экспертизы проектных решений. 38

Лекция № (27.11.2006) 39

Теория нечетких множеств. Основные определения. Использование в ЭС. 39

Алгоритм нечеткого вывода. 40

Лекция № (04.12.2006) 41

Использование продукционной модели в ЭС.. 41

Ранжирование продукций с учетом их важности. 42

Лекция № (04.12.2006) 43

Даталогическая модель представления знания. 43

Основные свойства нечетких множеств. 43

Основные теоремы определения минимума и максимума на нечетких интервалах. 45

Лекция № (18.12.2006) 46

Общая структура системы с нечетким выводом. 46

Общий алгоритм для расчета нечетких переменных. 47

Индексы ранжирования. 49

Экспертные системы

Лекция №1 (04.09.2006)

Экспертная система (ЭС) – программа (комплекс программ), которая оперирует сознаниями в определённой предметной области с целью выработки рекомендаций или решения проблем.

Архитектура ЭС включает в себя 2 основных компонента:

·  базу знаний (хранилище единиц знаний)

·  программный инструмент доступа и обработки знаний, состоящий из механизмов вывода заключений

Особенностью именно ЭС является модуль объяснения полученного результата, и связано это прежде всего с тем, что в ЭС используется механизм вывода решения, каким образом на каждом из шагов был получен результат.

Центральным компонентом ЭС является база знаний, которая выступает по отношению к другим компонентам как содержательная подсистема, составляющая основную ценность.

База знаний (БЗ) – совокупность единиц знаний, которые представляют собой формализованное с помощью некоторого метода представления знаний отражение объектов предметной области и их взаимосвязь, действия над объектами и, возможно, неопределённости, с которыми эти действия осуществляются.

Механизм вывода – программный инструмент, который получает от интеллектуального интерфейса преобразованный во внутреннее представление запрос, формирует из БЗ конкретный алгоритм решения задачи, выполняет его, а полученный результат предоставляется интеллектуальному интерфейсу для выдачи ответа на запрос пользователя.

В основе использования любого механизма вывода лежит процесс нахождения в соответствии с поставленной целью и описанием конкретной ситуации (исходных данных) относящихся к решению единиц знаний (правил, объектов, прецедентов и т. д.) и связыванию их при необходимости в цепочку рассуждений, приводящую к определённому результату. Для представления знаний в форме правил это может быть прямая или обратная цепочка рассуждений.

База знаний = База правил + База фактов.

Механизм объяснения – в процессе или по результатам решения задач пользователь может запросить объяснение или обоснование хода решения. С этой целью ЭС должна предоставить механизм объяснения.

Рабочая область – часть ЭС, связанная с механизмом вывода и предназначенная для хранения вновь полученных правил или фактов. Также в рабочей области происходит непосредственно обработка цепочки вывода решений.

Механизм приобретения знаний – БЗ отражает знания экспертов, специалистов в данной проблемной области, о действиях в различных ситуациях или процессах решения характерных (типовых) задач. Выявлением подобных знаний и последующим их представлением в БЗ занимаются специалисты, называемые инженерами знаний.

В простейшем случае в качестве механизма приобретения знаний может выступать интеллектуальный редактор, который позволяет вводить единицы знаний в БЗ и проводить их синтаксический и семантический контроль (к примеру, на непротиворечивость). В более сложных случаях можно извлекать знания путём специальных сценариев интервьюирования экспертов или из вводимых примеров реальных ситуаций, как в случае индуктивного вывода, или из текстов, или из опыта работы самой интеллектуальной системы.

Лекция №2 (11.09.2006)

Классы ЭС

По степени сложности решаемых задач ЭС можно классифицировать так:

1.  По способу формирования решений ЭС разделяются на 2 класса:

1.1.  Аналитические – выбор решения из множества существующих альтернатив (определение характеристик объекта)

1.2.  Синтетические – генерация неизвестных решений (формирование ответа)

2.  По способу учёта временного признака ЭС могут быть

2.1.  Статические – решают задачи при неизменяемых в процессе решения данных и знаний. Статические системы осуществляют монотонное, непрерываемое решение задачи от ввода исходных данных до конечного результата.

2.2.  Динамические – допускают такие изменения. Динамические системы допускают возможность пересмотра полученных данных и знаний.

3.  По видам используемых знаний ЭС могут быть

3.1.  С детерминированными знаниями

3.2.  С неопределёнными данными (под неопределённостью знаний или данных понимается неполнота (отсутствие), недостоверность (неточность измерений), двусмысленность (многозначность), нечёткость (качественная оценка))

4.  По числу используемых источников данных; ЭС могут быть построены с использованием одного или нескольких источников данных

Метод логического вывода построен на основе метода опровержения резолюций. Пример – доказательство от противного.

Классифицирующие ЭС

К аналитическим задачам прежде всего относятся задачи распознавания различных ситуаций, когда по набору разных признаков (факторов) выявляется сущность некоторой ситуации, в зависимости от которой выбирается определённая последовательность действий.

Таким образом, в соответствии с исходными условиями, среди альтернативных решений находится одно, наилучшим образом удовлетворяющее поставленной цели и ограничениям. ЭС такого вида называются классифицирующими, поскольку они определяют принадлежность анализируемой ситуации к некоторому классу.

В качестве основного метода формирования решений используется метод логического дедуктивного вывода от общего к частному, когда путём подстановки исходных данных в некоторую совокупность взаимосвязанных общих утверждений получается частное заключение (решение).

Доопределяющие ЭС

Более сложный тип аналитических задач представляют задачи, которые решаются на основе неопределённых исходных данных и применяемых знаний. В этом случае ЭС должна доопределить недостающие знания.

В пространстве решений может получаться несколько возможных решений с различной вероятностью или уверенностью в необходимости их выполнения.

В качестве методов работы с неопределённостью может использоваться Байесский вероятностный подход, коэффициент уверенности, нечёткая логика. Доопределяющие ЭС могут использовать для формирования решений несколько источников данных. В этом случае могут использоваться эвристические приёмы выбора единиц знаний из их конфликтного набора (например на основе использования приоритетов или получаемой степени определённости результата или значений функций принадлежности).

Для аналитических задач классифицирующего и доопределяющего типов характерны следующие проблемные области:

·  Интерпретация данных – выбор решения из фиксированного множества альтернатив на базе введённой информации о текущей ситуации

·  Диагностика – выявление причин, приведших к возникновению ситуации. Требуется интерпретация данных с последующей проверкой дополнительных факторов.

·  Коррекция – диагностика, дополненная возможностью оценки и рекомендации действий по исправлению отклонений от нормального состояния рассматриваемых сиутаций.

Пример:

Классический пример доопределяющей ЭС – Blackboard system.

Управляющей программой опрашиваются источники знаний, каждый из которых может содержать механизм логического вывода, с целью получения информации по интересующему вопросу.

Трансформирующие ЭС

В отличие от аналитических статических ЭС синтезирующие динамические ЭС предполагают повторяющиеся преобразования знаний в процессе решения задач, что связано с характером результата, который нельзя заранее предопределить, а также с динамичностью самой проблемной области. В качестве методов решения задач в трансформирующих ЭС используются разновидности гипотетического вывода:

1.  Генерация и тестирование, когда по исходным данным осуществляется генерация гипотез, а затем проверка сформированных гипотез на подтверждение поступающими фактами

2.  Предположений и умолчаний, когда по неполным данным подбираются знания об аналогичных классах объектов, которые в дальнейшем динамически адаптируются к конкретной ситуации в зависимости от её развития

3.  Использование общих закономерностей (метаданных) в случае известных ситуаций, позволяющих генерировать недостающие знания

Многоагентные ЭС

Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой получаемыми результатами на динамической основе (например, доска объявлений).

Для многоагентных ЭС характерны следующие особенности:

·  проведение альтернативных рассуждений на основе использования различных источников знаний и использованием механизма устранения противоречий

·  распределённое решение проблем, которые разбиваются на параллельно решаемые подпроблемы, соответствующие самостоятельным источникам знаний

·  применение множества стратегий работы механизма вывода в зависимости от типа решаемой проблемы

·  обработка больших массивов данных, содержащихся в БД

·  использование различных математических моделей и внешних процедур, хранимых в базе модели

·  способность прерывания решения задач в связи с необходимостью получения дополнительных данных и знаний от пользователей моделей параллельно решаемых подпроблем.

Для синтезируемых динамических ЭС наиболее характерны следующие проблемные области:

·  проектирование – определение конфигурации объектов с точки зрения достижения заданных критериев эффективности и ограничений

·  прогнозирование – предсказание последствий текущей ситуации на основе математического и эвристического моделирования

·  диспетчеризация – распределение работ во времени, составление расписаний

·  планирование – выбор последовательности действий пользователя по достижению поставленной цели

·  мониторинг – наблюдение за текущей ситуацией с возможностью последующей коррекции

·  управление – мониторинг, дополненный реализацией действий в автоматических системах

Самообучающиеся системы

В их основе лежат методы автоматической классификации ситуаций реальной практики. Примеры реальных ситуаций накапливаются за определённый период и составляют обучающую выборку. Причём, обучающая выборка может быть «с учителем», когда для каждого примера задаётся в явном виде значение его принадлежности некоторому классу ситуаций или классообразующего признака, и «без учителя», когда по степени близости значений система сама выделяет классы ситуаций.

В результате обучения системы автоматически строятся обобщённые правила или функции, определяющие принадлежность ситуаций классам, которыми обученная система пользуется при интерпретации новых возникающих ситуаций.

Недостатки:

·  Возможная неполнота или зашумленность (избыточность) обучающей выборки и, как следствие, относительная адекватность базы знаний возникающих проблем

·  Возникновение проблем связано с плохой смысловой ясностью в зависимости признаков

·  Ограничение в размерности признакового пространства вызывает неглубокое описание проблемной области и узкую направленность применений

Основные характеристики индуктивных систем в качестве самообучающихся.

Обобщение примеров по принципу от частного к общему сводится к выявлению подмножеств примеров, относящихся к одним и тем же подклассам и определению для них значимых признаков.

Процесс классификации примеров осуществляется так:

1.  Выбирается признак классификации из заданных либо последовательно, либо по какому-либо правилу (например, в соответствии с максимальным числом получаемых подмножеств примеров)

2.  По значению выбранного признака множество примеров разбивается на подмножества

3.  Выполняется проверка на принадлежность каждого примера

4.  Если какое-либо подмножество примеров принадлежит одному подклассу, т. е. у всех примеров подмножества совпадает значение классообразующего признака, то процесс классификации заканчивается (при этом остальные признаки классификации не рассматриваются)

5.  Для подмножеств примеров с несовпадающими значениями классообразующего признака процесс классификации продолжается, начиная с п.1 (каждое подмножество примеров становится классифицируемым множеством)

Лекция №3 (18.09.2006)

Этапы создания экспертной системы

Слабая формализуемость процесса принятия решения, его альтернативность и нечёткость обуславливают сложность и большую трудоёмкость разработки ЭС в этой области.

На начальных этапах идентификации и концептуализации, связанных с определением контура будущей системы, инженер знаний выступает в роли ученика, а эксперт – в роли учителя (мастера).

На заключительных этапах реализации и тестирования инженер демонстрирует результаты разработки, адекватность которых проблемной области оценивает эксперт.

На этапе тестирования созданные ЭС оцениваются с позиции двух основных групп критериев: точности и полезности.

С точностью работы связаны такие характеристики:

·  правильность вывода

·  адекватность БЗ проблемной области

·  соответствие применяемых методов решения проблемы экспертом

Поэтому конечные оценки системе ставят специалисты в проблемной области.

Полезность ЭС характеризуется степенью удовлетворения требований пользователя в части

·  получения необходимых рекомендаций

·  лёгкости и естественности во взаимодействии с системой

·  надёжности

·  производительности

·  стоимости эксплуатации

Результатом первого этапа разработки системы является получение прототипа системы.

Дополнение с iu7-world

Конструирование ЭС. Стадии разработки. Процесс приобретения знаний

Процесс приобретения знаний – это процесс передачи и преобразования опыта по решению задач от некоторого источника знаний в программе.

ЭС обладает двумя отличительными чертами:

1. Прозрачность: ЭС должна быть понятна как разработчику, так и пользователю. В ЭС часто для повышения прозрачности предметно-ориентированные знания отделяются от знаний, обеспечивающих получение решения и носящих универсальный характер. Это позволяет исследовать и модифицировать базу знаний, содержащую предметные знания.

2.  Качество работы, которое зависит от объема и ценности знаний, заложенных в программе, т. е. ЭС должна накапливать предельно детализированные и выверенные предметно-ориентированные знания. Знания, которые должны быть получены, представляют набор специальных фактов, процедур, оценок и правил принятия решений в определенной узкой предметной области.

Процессы передачи и преобразования, необходимые для представления опыта в программе, могут быть автоматизированы полностью или частично в некоторых специальных случаях. Поэтому для осуществления связи между экспертом и программой чаще всего требуется второй участник, называемый аналитик или инженер по знаниям.

Знания для ЭС могут приобретаться несколькими путями, каждый из которых предусматривает перенос компетентности, необходимый для высокого качества решения задач, от некоторого источника в программе. В основном таким источником оказывается эксперт, но могут быть эмпирические данные, специфичные исследования или другие источники, из которых знания эксперта как таковые были получены. В настоящее время инженерия знаний является методом приобретения знаний. Чтобы построить систему, эксперт взаимодействует с инженером или программой.

	ЭС Механизм логического вывода (универсальные знания по решению задач) База знаний (знаний о предметной области)
Эксперт → конструктор знаний →

Инженерия знаний – передача знаний от эксперта в базу знаний через конструктор.

Эксперт, знакомый с вычислительной техникой, может взаимодействовать с ЭС непосредственно через интеллектуальную редактирующую программу:

	ЭС Механизм логического вывода (универсальные знания по решению задач) База знаний (знаний о предметной области)
Эксперт →ИРП →

Конструирование знаний – передача знаний от эксперта в базу знаний через интеллектуальную редактирующую программу.

Вместо ИРП может быть программа индуктивного вывода:

	ЭС Механизм логического вывода (универсальные знания по решению задач) База знаний (знаний о предметной области)
Эксперт → ПИВ →

Конструирование знаний – передача знаний от эксперта в базу знаний через программу индуктивного вывода.

Существует вариант, который пока не реализован:

	ЭС Механизм логического вывода (универсальные знания по решению задач) База знаний (знаний о предметной области)
Эксперт → ППТ→

Конструирование знаний – передача знаний от эксперта в базу знаний через программу, понимающую текст.

Эксперт в таком случае получает свои знания из учебников. Техническая терминология ставит меньше проблем, чем неограниченная повседневная лексика.

Фазы создания ЭС

1.Идентификация и концептуализация проблемы .

Идентификация включает в себя отыскивание эксперта, источников знаний, ресурсов и ясную формулировку проблемы. Концептуализация предусматривает выбор основных понятий и связей, необходимых для описания проблемы.

2. Формализация, практическая реализация и тестирование подходящей архитектуры системы, которое включает в себя постоянное переформулирование понятий, изменение форм представления и доведение до совершенства реализованной системы.

Определение ресурсов

Для приобретения знаний, создания системы и ее тестирования требуются ресурсы (источники знаний, вычислительные ресурсы, техника, время и деньги).

Определение целей

Имеет смысл отделять цели, которые определены экспертом, от специфических задач, решаемых при разработке системы, так как они образуют дополнительные ограничения, которые могут оказать полезными при характеризации желаемости или возможности определения подходов.

Стадия концептуализации

Основные концепции, выявленные на этапе идентификации, приобретают явный характер н стадии концептуализации. Прежде, чем приступить к стадии концептуализации, необходимо ответить на вопросы:

•  Какие имеются типы данных?

•  Что задано и что найти?

•  Имеют ли задачи наименование?

•  Имеют ли стратегии наименования?

•  Имеются ли ясные, частичные гипотезы, которые широко используются?

•  Как связаны между собой объекты предметной области?

•  Можно ли наглядно отобразить структуру и указать причинно-следственные отношения, отношения типа частное-целое и т. д.?

•  Какие процессы участвуют в решении задачи, какие ограничения наложены на эти процессы?

•  Как осуществляется передача?

•  Можно ли определить и разделить знания, необходимы для получения решения, и знания, используемые для обоснования решения?

Стадия формализации

Стадия формализации предусматривает перевод основный концепций, подзадач и характеристик информационного потока, выделенных на этапе концептуализации, в более формальное представление, которое основывается на различных методах и схемах инженерии знаний.

В процессе формализации имеется три важных факта: пространство гипотез, модель процесса и характеристики данных.

Стадия реализации

Стадия реализации включает в себя перевод формализованных знаний на предыдущей стадии в схему представления, определяемую выбранным языком. Как только представленные по этой схеме знания становятся согласованными и организованными так, чтобы определить потоки информации и управления, они становятся рабочей программой.

Конструктор развивает схему представления знаний и использует ее для получения прототипного варианта ЭС. Предметно-ориентированные знания, выявленные и сформулированные на этапе формализации, определяют содержание структуры данных, правил ввода и стратегий управления. Схема представления определяет их форму. Локальная непротиворечивость используемых для решения элементов, которая была достигнута на предыдущих стадиях, не гарантирует работоспособности программы, так как могут быть глобальные несоответствия между структурами данных и какими-либо правилами или стратегиями управления.

Такие противоречия должны быть устранены, чтобы обеспечить быстрое развитие прототипного варианта ЭС. Создание прототипного варианта является исключительно важным шагом в процессе построения ЭС. Отдельные фрагменты этой, в конечном счете, выбрасываемой программы могут быть сохранены и использованы в более поздних версиях. Однако главной целью деятельности на данном этапе становится проверка соответствия формальной схемы основным используемым идеям.

Прототипная база знаний создается с помощью различных программных средств, имеющихся для выбранной схемы представления знаний (текстовые редакторы, интеллектуальные редакторы, программы для приобретения знаний). Если существующие средства оказываются неподходящими, то инженер знаний должен создать новое. Может даже случиться так, что потребуется разработать новую систему, предназначенную для построения ЭС или новый язык.

Стадия тестирования

Стадия тестирования предусматривает проверку прототипного варианта системы и схем представления знаний, использованных для создания этого варианта. Как только прототипный вариант может отработать от начала до конца на 2-3 примерах, он должен быть проверен на многих примерах для того, чтобы вывить дефекты в базе знаний и механизме логического вывода или дедуктивной машине.

Главными характеристиками ввода-вывода являются приобретение данных и представление результатов. Конкретный метод приобретения данных может оказаться ошибочным или неподходящим из-за того, что неверные вопросы задаются по ходу работы или собирается недостаточно информации. Например, задаваемые вопросы могут быть трудными для понимания, двусмысленными или плохо сформулированными для пользователя системы. Сама система может быть неудобной для работы, в ней может отсутствовать возможность для пользователя прервать ход вычислений, чтобы ввести данные в соответствии с предпочитаемым порядком и формой.

Наиболее очевидное место для поиска ошибок в рассуждениях – множество правил вывода. Они редко бывают независимыми друг от друга. Помимо всего прочего, правила могут быть неправильными, противоречивыми, неполными или отсутствовать. Если посылки в правиле определены неверно, оно может прилагаться в неправильном контексте, нарушая, таким образом, всю логику. В таких случаях очень часто не удается замечать подслучаи. Заключение правила может быть неправильным часто по своему смыслу или по возможности различать подслучаи. Но даже если посылки и заключения верны, они могут быть связаны неправильными мерами присоединения. Так как правила не являются независимыми, то должно учитываться их влияние на другие правила.

Оценки, степени уверенности, веса связей играют важную роль, и они не могут присваиваться независимо от того, как группы правил будут использоваться в контексте конкретных случаев.

Часто ошибки в прототипной версии возникают из-за использованных стратегий управления. Если система рассматривает гипотеза в порядке, отличном от соответствующего порядка, которого придерживается эксперт, то конструктор должен проанализировать дедуктивную машину.

Построение прототипной версии

По ходу построения ЭС почти постоянно имеют место изменения, которые включают в себя переформулирование концепций, перепроектирования форм представления знаний, усовершенствование создаваемой системы.

Усовершенствование прототипного варианта, как правило, состоит из многократного повторения всех этапов, начиная со стадии реализации, до тестирования, с целью так настроить и приспособить правила, а также управление, чтобы получить желаемое поведение системы. Какие конкретно изменения должны быть сделаны в ходе усовершенствования, существенно зависит от схемы представления знаний, используемой для построения прототипной базы знаний, и того класса решаемых задач, которые преобладают (интерпретация или планирование).

Результатом перестройки в случае, когда диапазон решаемой ЭС задач определены и неизменяемы, должно быть улучшение работоспособности. Если этого нет, конструктор должен принять более решительные действия по модификации архитектуры системы или базы знаний.

Перепроектирование означает повторение всех этапов со стадии формализации с новой формой представления знаний. Если ошибки более серьезные, то они могут содержать ошибки концептуализации, которые будут диктовать переопределение некоторых концепций. Иногда необходимо включить дополнительные источники данных, либо расширить набор заключений, чтобы обогатить базу знаний. Может возникнуть необходимость обращения к другим подзадачам, если их решение повысит качество работы.

Программные средства для приобретения знаний.

Приобретение знаний для экспертной системы состоит из трех основный задач: ввод данных или знаний в систему, устранение ошибочных данных и знаний, выверка или расширение знаний для достижения желаемого уровня работы системы. Практический опыт решения этих задач привел к развитию методов и программных средств, призванных облегчить процесс приобретения знаний. Такие средства были созданы в рамках конкретных систем, однако в них реализованы методы, имеющие универсальную ценность. Эти средства и методы для приобретения знаний могут быть разделены на три категории: редакторы и интерфейсы для формирования баз знаний, средства объяснения различных аспектов работы, средства для модификации баз знаний.

Редакторы и интерфейсы для формирования баз знаний

Текстовый редактор является одним из примеров программных средств, применяемых для приобретения знаний. Использование редактора облегчает ввод знаний в систему и уменьшает вероятность ошибок.

В настоящее время разрабатываются мощные редакторы, которые:

- обеспечивают удобный для пользователя интерфейс и автоматизируют некоторые регистрационные операции при размещении информации;

- помогают пользователю избегать орфографических и синтаксических ошибок;

- выявляют семантические противоречия между только введенным фактом и текущей информацией в базе знаний.

Интерфейсы и редакторы влияют на отношение эксперта к создаваемой системе, и наличие хорошего редактора может определить успех в приобретении знаний. Большинство редакторов для баз знаний (и многие текстовые редакторы) обеспечивают удобный для пользователя интерфейс, снабжающий последнего инструкциями и представляющий выводимую информацию в удобном для восприятия виде.

Эффективное редактирование базы знаний требует средств, осуществляющих различные регистрирующие функции. Например, редакторы в системах EMYCIN и INTERLISP имеют важные регистрирующие функции, такие как трассировку незаконченного редактирования, запоминание постоянных изменений в базе знаний и запрашивание информации, соответствующей им. Когда в EMYCIN создается или модифицируется некоторое правило, то вместе с ним записываются и хранятся дата, время и фамилия пользователя, позволяя тем самым в дальнейшем определять, кто из пользователей ответственен за ту или иную информацию в базе знаний.

Специализированные редакторы, разработанные для конкретных проблемно-независимых экспертных средств ( EMYCIN, STAMMER, ROSIE ), также помогают пользователю избегать орфографических и синтаксических ошибок. Как правило, эти системы понимают синтаксис используемого для построения экспертных систем языка и могут таким образом обеспечить синтаксически управляемую подсказку, а также проверку типов данных. Например, при воде в такую систему продукционного правила пользователь может рассчитывать на то, что редактор будет подсказывать, что должно стоять в различных полях правила, обеспечивать выполнение действий по умолчанию, проверять синтаксис и, возможно, написание служебных слов.

Некоторые наиболее развитые редакторы ( UNITS, KAS, AIMDS, AGE, ONCOCIN , RLL ) проверяют не только синтаксис вводимых знаний, но и семантику. Они проверяют полноту и согласованность вводимых данных, чтобы обнаружить такие ошибки в «смысловом значении» входных фактов, которые не выявляются при одной лишь синтаксической проверке.

Объяснительные средства

Чтобы помочь эксперту и конструктору знаний совершенствовать и развивать экспертную систему, система должна располагать способностью объяснить ту логическую цепочку, которая привела к решению задачи. Такие объяснения подсказывают соответствующие изменения в базе знаний, показывая те шаги в ходе решения задачи, которые привели к неправильным ответам, и те факты в базе знаний, которые привели к неправильным шагам.

Отладочные и трассировочные механизмы являются простейшими, хотя и полезными формами объяснений в достаточно развитых интерактивных системах программирования. В INTERLISP, например, программист может осуществить трассировку некоторых функций и установить заранее точки прерываний ходы вычислений. Такие средства помогают разработчику проанализировать, проследить и понять работу действующей системы.

Так же как специализированные редакторы, использующие информацию об архитектуре системы, могут предоставлять более широкие возможности, чем универсальные редакторы, специализированные средства для объяснений работы могут предоставлять более полную информацию, чем универсальные трассировочные средства. Специализированные системы объяснений были созданы для нескольких проблемно-независимых систем (среди них EMYCIN, KAS, EXPERT ).

Часто для расширения возможностей простых трассировочных средств предусматривают способность воспроизводить логическую цепочку после того, как она уже отработана, а не просто перечисление шагов по ходу вычислений. Воспроизведение истории процесса логического вывода и последующее использование ее для объяснений поведения системы обычно включает в себя показ одного или нескольких правил, приведших к данному заключению. Этот прием доказал свою ценность на стадии доводки приобретенных знаний: анализируя объяснения, представленные системой, эксперт может сфокусировать свое внимание на основных предположениях и последующих логических шагах, составляющих решение. В системе EMYCIN блок, реализующий этот тип объяснений, а также редактор для модификации и добавления правил образуют интерактивную систему для анализа и совершенствования базы знаний.