Реферат: Производственные системы с искусственным интеллектом

Министерство образования Российской Федерации

Курганский государственныйуниверситет

Кафедра 

«Программноеобеспечение вычислительной техники

и автоматизированныхсистем»

Реферат

На тему:

«Производственные системы сискусственным интеллектом».

Дисциплина:

Базы знаний и экспертные системы

Выполнил:

Викулин А.В.

ФМ-3308

Проверил:

Головко А.П.

Курган, 2001 г.

Аннотация

<span Times New Roman",«serif»">Данный документ содержитинформацию о производственных системах с искусственным интеллектом (ПСИИ), обих архитектуре, проектировании, инструментальных средствах для разработки.

Содержание

 TOC o «1-2» h z Введение  PAGEREF _Toc517028572 h 3

1. Новая информационная технология в системах управления производством   PAGEREF _Toc517028573 h 4

1.1. Эволюция систем управления производством   PAGEREF _Toc517028574 h 4

1.2. ПСИИ – системы, базирующиеся на знаниях  PAGEREF _Toc517028575 h 5

2. Представление знаний в ПСИИ   PAGEREF _Toc517028576 h 6

3. Архитектура ПСИИ   PAGEREF _Toc517028577 h 9

3.1. Структура ПСИИ   PAGEREF _Toc517028578 h 9

3.2. База знаний  PAGEREF _Toc517028579 h 10

3.3. Механизм вывода  PAGEREF _Toc517028580 h 10

3.4. Диалоговый интерфейс  PAGEREF _Toc517028581 h 10

3.5. Объяснение и обоснование решений в ПСИИ   PAGEREF _Toc517028582 h 11

4. Проектирование ПСИИ   PAGEREF _Toc517028583 h 13

4.1. Этапы проектирования и стадии существования ПСИИ   PAGEREF _Toc517028584 h 13

4.2. Предметная область и работа с экспертами  PAGEREF _Toc517028585 h 14

5. Инструментальные средства для разработки ПСИИ   PAGEREF _Toc517028586 h 15

5.1. Программные средства  PAGEREF _Toc517028587 h 15

5.2. Технические средства  PAGEREF _Toc517028588 h 16

Заключение  PAGEREF_Toc517028589 h 18

Литература  PAGEREF_Toc517028590 h 19

<span Times New Roman",«serif»;mso-fareast-font-family: «Times New Roman»;mso-ansi-language:RU;mso-fareast-language:RU;mso-bidi-language: AR-SA">
ВведениеВнастоящее время накоплен большой опыт создания автоматических систем управления(АСУ) в различных отраслях народного хозяйства. Этот опыт позволяет сделатьвывод о том, что резерв повышения эффективности АСУ заключается в увеличенииуровня интеллектуализации этих систем, переходе к так называемым “разумным”производственным системам, ориентированным на знания.

Область применения существующих на сегодняшний деньсистем искусственного интеллекта (ИИ) охватывает медицинскую диагностику,интерпретацию геологических данных, научные исследования в химии, биологии,военном деле и ряде других отраслей. Что касается применения таких систем всфере управления промышленными производствами, то эти вопросы еще не нашлидолжного отражения в литературе.

Производственные системы с искусственным интеллектомявляются системами не только качественно нового типа, но и системами,составляющими органичное звено в структуре современных автоматических системуправления производством.

<span Times New Roman",«serif»;mso-fareast-font-family: «Times New Roman»;mso-ansi-language:RU;mso-fareast-language:RU;mso-bidi-language: AR-SA">
1. Новая информационная технология в системах управленияпроизводством1.1. Эволюция систем управления производством

Какизвестно, управление технологическими процессами вплоть до 60-х годовосновывалось на применении несложных регуляторов механического, электрическогои пневматического типов, расчет которых базировался на линейных одномерныхмоделях.

Проектированиеболее сложных систем управления ограничивалось как возможностями техническихсредств и недостаточной теоретической базой, так и относительной простотойбольшинства технологических процессов того времени.

Примерно ктому же времени относятся первые попытки применения ЭВМ в планировании иуправлении производством. Правда техническая база оставалась еще слабой. ЭВМпервого поколения, на которых базировалась разработка АСУ были мало пригодныдля решения задач управления производством. Поэтому ЭВМ применялись в основномдля бухгалтерского учета.

ПрименениеЭВМ второго поколения, а также работы в области методологии проектирования ивнедрения АСУ позволили поставить задачу управления предприятием в рамкахфункциональных подсистем. Опыт эксплуатации АСУП, внедренных в конце

60-х годов, показалих эффективность, проявившуюся в улучшении планирования и учета производства.Но достигнутый научно-технический уровень АСУП не удовлетворял ниразработчиков, ни заказчиков. Невозможно было обрабатывать данные в реальноммасштабе времени.

Высокоэффективныеи надежные (для того времени) ЭВМ третьего поколения позволили перейти к болеесложным формам организации систем управления тех. объектами. Поддержаниепроцесса вблизи оптимальной рабочей точки обеспечивалось путем оперативноговоздействия на него, т.е. значения вычисленных установок преобразуются внастройки регуляторов. Функции оператора-технолога сводятся к наблюдению ивмешательству при аварийных ситуациях. Однако для ряда промышленных объектовреализация данных форм организации систем управления оказалась невозможной.Тогда появились адаптивные самообучающиеся и самообучающиеся системы. Несмотряна то, что  в теории обучающихся  и самообучающихся автоматических систем былиполучены важные результаты, промышленное применение их было достаточноограничено из-за отсутствия доступных инженерных методов синтеза и техническойреализации алгоритмов таких систем.

СовременныеАСУ не могут обходиться без наличия в них специальных средств организациидиалога с человеком. Конечные пользователи, осознавая возможности, которыеможет сегодня предоставить им вычислительная техник, претендуют нанепосредственный контакт с ПК или интеллектуальными терминалами. В большинствевнедренных систем управления этот контакт ограничивается простейшими режимамидиалога и помогает пользователю выбирать подходящий вычислительный алгоритм,определять и задавать свои предложения относительно вывода решения,представления результатов. Более развитые средства дают возможностьорганизовывать диалог с самой моделью для осуществления ее информационных иструктурных модификаций. Именно взаимодействие конечного пользователя соптимизационными моделями в процессе принятия управленческих решенийпредставляет в настоящее время наибольший интерес и значительные трудности.

1.2. ПСИИ – системы, базирующиеся на знаниях

Историческитеоретические наработки в области искусственного интеллекта велись в двухосновных направлениях

Первоенаправление связано с попытками разработки интеллектуальных машин путеммоделирования их биологического прототипа – человеческого мозга. Оптимизмкибернетиков 50-х годов, возлагавших надежды на данное направление не увенчалсяуспехом ввиду непригодности для этих целей существовавших тогда аппаратных ипрограммных средств.

Второенаправление – разработка методов, приемов, устройств и программ для ЭВМ,обеспечивающих решение сложных математических и логических задач, позволяющихавтоматизировать отдельные интеллектуальные действия человека. Первым шагом вэтом направлении можно считать разработку GPS-универсальногорешателя задач. В его основу было положено представление об эвристическомпоиске, в процессе которого обеспечивалось разбиение задачи на подзадачи до техпор, пока не будет получена легко решаемая подзадача.

 Попытки уйти от неоправдавших себяуниверсальных эвристик при решении интеллектуальных задач привели к заключениюо том, что главное, чем располагает специалист, — это накопленный им в процессесвоей профессиональной деятельности некоторый набор разнообразных приемов инеформальных правил. Впоследствии была разработана ЭС Dendral, базирующаяся на знаниях, которая явилась прототипом всехпоследующих ЭС.

Базоваяструктура “системы, базирующейся на знаниях” состоит из следующих блоков: базызнаний, содержащей знания о некоторой ограниченной предметной области;решателя, или блока логического вывода, осуществляющего активизацию знаний,соответствующих текущей ситуации; блока верификации БЗ, обеспечивающегодобавление новых знаний и корректировку уже существующих; блока объяснения,позволяющего пользователю прослеживать всю цепочку рассуждений системы,приводящих к конечному результату, и, наконец, интерфейса, обеспечивающегоудобную связь между пользователем и системой.

 Существует множество доводов в пользу того,что ПСИИ могут и должны стать важнейшей составной частью в технологиисовременных производств.

Главнаяпроблема, стоящая перед предприятием, в смысле управления, — это проблемапреодоления сложности при выборе из множества решений. Это может бытьинженерный выбор решения, выбор расписания и т.д.

Управлениепроизводством требует обработки большого объема информации. Проблема полученияинформации с объектов в реальном времени решена. Появилась другая проблема: какуменьшить долю информации до уровня, который необходим для принятия решения?Потеря же информации может существенно сказать на конечном результате.

Нехваткавремени на принятие решения – еще одна проблема, которая проявляется по мереусложнения производства. Не менее важна и проблема координации. Еслипроектирование не оптимально по отношению к стадиям производства,складирования, распределения, то это может увеличить цену производства иснизить качество изделий.

И, наконец,очень важный фактор – необходимость сохранения и распределения знаний отдельныхопытных экспертов, полученных ими в процессе многолетней работы и большогопрактического опыта. Проблема извлечения знаний и их распределения – сегодняодна из главных проблем производственных организаций.

Такимобразом, необходима автоматизация интеллектуальной деятельности человека впроизводственных системах управления.

2.Представление знаний в ПСИИ

Важноеместо в теории искусственного интеллекта занимает проблема представлениязнаний, являющаяся, по мнению многих исследователей, ключевой. Что жепредставляют собой знания и в чем их отличие от данных?

Знанияпредставляют собой совокупность сведений (у индивидуума, общества или у системыИИ) о мире ( конкретной предметной области, совокупности объектов или объекта),включающих в себя информацию о свойствах объектов, закономерностях процессов иявлений, правилах использования этой информации для принятия решений.

Первоначальновычислительная техника была ориентирована на обработку данных. Это было связанокак с уровнем развития техники и программного обеспечения, так и со спецификойрешаемых задач. Дальнейшее усложнение решаемых задач, их интеллектуализация,развитие ВТ ставят задачу создания машин обработки знаний. Существеннымотличием знаний от данных является их интерпретируемость.

Если для интерпретации данных необходимы соответствующиепрограммы и сами по себе они не несут содержательной информации, то знаниявсегда содержательны. Другой отличительной чертой знаний является наличиеотношений, например, вида “тип-подтип“, “элемент-множество“ и т.д. Знанияхарактеризуются наличием ситуативных связей, определяющих ситуативнуюсовместимость отдельных событий и фактов, позволяющих устанавливатьпричинно-следственные связи.

Некоторые исследователи предпринималипопытки определить типы знаний, которые должны быть представлены в системах ИИ.Так, например, этот перечень может охватывать: структуру, форму, свойства,функции и возможные состояния объекта; возможные отношения между объектами,возможные события, в которых эти объекты могут участвовать; физические законы;возможные намерения, цели, планы, соглашения..

Нередко представление знанийпровозглашается ядром ИИ, а исследование механизмов представления –определяющей чертой ИИ. Так, Н. Нильсон считает, что “искусственный интеллект –это наука знаний, — как представлять знания, как получать и использовать их“

Правда, единодушия в этом вопросе нет. Какпоказал опрос, проведенный среди 300 исследователей. Выявилось “ошеломляющееразногласие в том, что означает представление знаний…“

Можно выделить ряд общих для всех системпредставления знаний (СПЗ) черт. А именно:

Все СПЗ имеют дело с двумя мирами –представляемым и представляющим. Вместе они образуют систему для представления.Существует также ряд общих для всех СПЗ проблем. К ним можно отнести, вчастности, проблемы: приобретения новых знаний и их взаимодействие с ужесуществующими, организации ассоциативных связей, неоднозначности и выборасемантических примитивов, явности знаний и доступности, выбора соотношениядекларативной и процедуральной составляющих представления, что влияет наэкономичность системы, полноту, легкость кодировки и понимания.

Модели представления знаний можно условноразделить на декларативные и процедуральные.

Декларативная модель основывается напредположении, что проблема представления некоей предметной области решаетсянезависимо от того, как эти знания потом будут использоваться. Поэтому моделькак бы состоит из двух частей: статических описательных структур знаний имеханизма вывода, оперирующего этими структурами и практически независимого отих содержательного наполнения. При этом в какой-то степени оказываютсяраздельными синтаксические и семантические аспекты знания, что являетсяопределенным достоинством указанных форм представления из-за возможностидостижения их определенной универсальности.

В декларативных моделях не содержатся вявном виде описания выполняемых процедур. Эти модели представляют собой обычномножество утверждений. Предметная область представляется в виде синтаксическогоописания ее состояния (по возможности полного). Вывод решений основывается восновном на процедурах поиска в пространстве состояний

В процедуральном представлении знаниясодержатся в процедурах – небольших программках, которые определяют, каквыполнять специфичные действия (как поступать в специфичных ситуациях). При этомможно не описывать все возможные состояния среды или объекта для реализациивывода. Достаточно хранить некоторые начальные состояния и процедуры,генерирующие необходимые описания ситуаций и действий.

Семантика непосредственно заложена вописание элементов базы знаний, за счет чего повышается эффективность поискарешений. Статическая база знаний мала по сравнению с процедуральной частью. Онасодержит так называемые “утверждения“, которые приемлемы в данный момент, номогут быть изменены или удалены в любой момент. Общие знания и правила выводапредставлены в виде специальных целенаправленных процедур, активизирующихся помере надобности. Процедуры могут активизировать друг друга, их выполнение можетпрерываться, а затем возобновляться. Возможно использование процедур — “демонов“, активизирующихся при выполнении операций введения, изменения илиудаления данных.

Средством повышения эффективности генерациивывода в процедуральных моделях является добавление в систему знаний оприменении, т.е. знаний о том, каким образом использовать накопленные знаниядля решения конкретной задачи. Эти знания, как правило, тоже представляются впроцедуральной форме.

Главное преимущество процедуральных моделейпредставления знаний заключается в большей эффективности механизмов вывода засчет введения дополнительных знаний о применении, что, однако снижает ихобщность. Другое важное преимущество заключено в выразительной силе. Этисистемы способны смоделировать практически любую модель представления знаний.Выразительная сила процедуральных систем проявляется в расширенной системевыводов, реализуемых в них. Большинство расширенных форм выводов может бытьохарактеризовано понятием “предположение об отсутствии“ и сводится к схеме:“Если А (предварительное условие) – истинно и нет доказательств против В, топредложить В“. Подобные правила вывода оказываются полезными в основном в двухслучаях:

1.<span Times New Roman"">     

Неполнотазнаний. Если в системе представления отдельные факты не представлены илиневыводимы, правила вывода позволяют гипотетически признавать их верными приусловии, что в системе нет или в ней невыводимы доказательства противного.

2.<span Times New Roman"">     

Выводв условиях ограниченности ресурсов. Из-за ограниченности ресурсов процессывывода не могут завершиться, а должны быть оставлены для получения результатов.В этом случае правила определяют дальнейшие действия системы.

Системы представления, содержащие подобныеправила, оказываются немонотонными, т.е. добавление новых утверждений можетзапретить генерацию вывода, который первоначально мог быть получен. Добавлениеновых фактов может привести к возникновению противоречий. В некоторых системахкроме самих утверждений содержатся также записи причин, по которым были принятыэти утверждения. При добавлении новых фактов осуществляется проверка того,сохраняются ли справедливость утверждений и соответствие причинам.

Рассмотрим различные формы моделейпредставления знаний.

Продукционные модели представляют собойнабор правил в виде “условие — действие“, где условия являются утверждениями осодержимом БД (фактов), а действия есть некоторые процедуры, которые могутмодифицировать содержимое БД. Продукционные модели из-за модульногопредставления знаний, легкого расширения и модификации нашли широкое применениев экспертных системах.

Другая важная схема представления знаний – семантическиесети, представляющие собой направленный граф, в котором вершинам ставятся всоответствие конкретные объекты, а дугам, их связывающим, — семантическиеотношения между этими объектами. Семантические сети могут использоваться какдля декларативных, так и для процедуральных знаний.

Перспективной формой представления знанийявляются фреймы, которые быстро завоевали популярность у разработчиков системИИ благодаря своей универсальности и гибкости.

Принципиальным методом для логическогопредставления знаний является использование логики предикатов первого порядка(исчисление предикатов). При таком подходе знания о некоторой предметнойобласти могут рассматриваться как совокупность логических формул. Изменения вмодели представления знаний происходят в результате добавления или удалениялогических формул.

В редукционных моделях осуществляетсядекомпозиция исходной задачи на ряд подзадач, решая которые последовательноопределяют решение поставленной задачи.

Логические представления легки дляпонимания и располагают правилами вывода, необходимыми для операций над ними.Однако в логических моделях представление знаний отношения между элементамизнаний выражаются ограниченным набором средств используемой формальной системы,что не позволяет в полной мере отразить специфику предметной области.Недостатком логического представления является также тенденция потреблятьбольшие объемы памяти ЭВМ.

Ряд понятий человеческих знаний оказываетсятрудно, а иногда и невозможно описать количественно, используя детерминированныеили стохастические методы. Трудности возникают при создании моделей неполностью определенных, неточных, нечетких знаний. Это связано с тем, чточеловеческому мышлению присуща лингвистическая неопределенность; знания ипонятия, которыми оперирует человек, часто имеют качественную природу, ониситуативны, бывают неполными. Для формализации знаний такого типа используетсяаппарат теории нечетких множеств, создание которого связано с именем известногоамериканского ученого Л. Заде.

Неточность, неопределенность или неполнота,заключенные в смысловых значениях или выводах, присущи естественным языкам с ихсложной структурой и многообразием понятий. Различают несколько типовнеопределенности в прикладных системах ИИ. Первый связан с ненадежностьюисходной информации – неточность измерений, неопределенность понятий итерминов, неуверенностью экспертов в своих заключениях.

Второй – обусловлен нечеткостью языкапредставления правил, например в экспертных системах. Неопределенностьвозникает также, когда вывод в ПСИИ базируется на неполной информации, т.е.нечетких посылках. Еще один тип неопределенности может появляться при агрегацииправил, исходящих от разных источников знаний или от разных экспертов. Этиправила могут быть противоречивыми или избыточными.

В заключение необходимо отметить, чтоделение моделей представления знаний на декларативные и процедуральные весьмаусловно, так как в реальных системах представления знаний используются в равноймере элементы и сочетания всех указанных выше форм моделей представлениязнаний.

<span Times New Roman",«serif»; mso-fareast-font-family:«Times New Roman»;mso-ansi-language:RU;mso-fareast-language: RU;mso-bidi-language:AR-SA">
3. Архитектура ПСИИ3.1. Структура ПСИИ

Говоря об архитектуре систем ИИ, прежде всегопонимают организацию структуры, в рамках которой происходило бы применениезнаний и решение проблем в конкретной предметной области. Выбор соответствующейструктуры, свойства и функции компонентов систем ИИ, в особенностипроизводственных, определяется и направляется формулируемыми принципамиинженерии знаний. На формирование этих принципов в значительной степениоказывают влияние, как специфика предметной области, так и характер задач ифункций, решение которых возлагается на ПСИИ.

В зависимости от характеравыполняемых функций и области действий эксперты выполняют несколько характерныхзадач, которые являются типичными. Эти задачи следующие: интерпретация,планирование, управление, проектирование, диспетчирование и мониторинг,прогнозирование, диагностика. А главное – эксперт способен обновлять своизнания, объяснять действия, обосновывать решения, прогнозировать развитиеситуаций, активно взаимодействовать с внешней средой и воспринимать информациюразличного характера, получать решения на основе имеющихся знаний, хранить впамяти необходимую информацию и фактографические данные.

Таким образом, чтобы создатьсистему, работающую со знаниями и способную в какой-то мере заменить экспертаили помочь ему в принятии решений при управлении производством, необходимозаложить в архитектуру системы возможности по реализации названных функций. Нарисунке представлена обобщенная структура и компоненты ПСИИ, а также ееокружение.

<img src="/cache/referats/8691/image001.gif" v:shapes="_x0000_i1025">

Структура ПСИИ представленнаяздесь не универсальна. Ни одна из существующих ПСИИ не содержит все компоненты.Включение тех или иных компонентов и связей в систему в значительной степениопределяется ее назначением, функциями, предметной областью, формойвзаимодействия с производственным процессом. Некоторые компоненты могутвстречаться практически в каждой ПСИИ.

Далее следует описание основныхчастей ПСИИ.

3.2. База знаний

Основу – ядро любой ПСИИ – составляют база знаний изаложенный в систему механизм вывода решений. Если говорить обобщенно, этикомпоненты определяют две основные интеллектуальные характеристики системы:способность хранить знания о чем-то и умение оперировать этими знаниями. Болееразвитым системам, основанным на знаниях, присуща, также способность обучаться,т.е. приобретать новые знания, расширять БЗ, корректировать знания всоответствии с изменяющимися условиями и ситуацией в предметной области.

При проектировании ПСИИзначительные усилия и время затрачиваются на разработку БЗ, т.е. накоплениезнаний, создание модели представления знаний, их структурирование, заполнениеБЗ и дальнейшее поддержание ее в актуальном состоянии. Прежде чем приступить кпроектированию и реализации БЗ, разработчикам необходимо осмыслить и разрешитьряд вопросов, непосредственно связанных с процессом создания БЗ и ПСИИ в целом.Вот круг задач, решаемых на начальном этапе разработки (при условии, что вопросо целесообразности разработки ПСИИ в этой области решен положительно):

Изучение проблемной области(объекта, задач, целей), т.е. “что представлять в БЗ“ и “для чегопредставлять“; определение понятия “знание“ в контексте исследуемой проблемнойобласти; выявление источников знаний, активная и кропотливая работа с ними;определение типов знаний для решения задачи; оценка на основе исследованияпроблемной области и характера знаний пространства поиска решений с цельювыбора способа структуризации знаний и метода поиска решений (механизмавывода); определение способа структуризации знаний, т.е. того, “какпредставлять знания“; выбор способа представления знаний; определение структурыБЗ; определение характера взаимодействия структурных частей БЗ, а такжевзаимодействия ее с другими компонентами ПСИИ в процессе поиска решений;подготовка к процессу заполнения БЗ.

3.3. Механизм вывода

Характер поиска необходимых знаний в БЗ, способорганизации вывода решений определяются стратегией управления интеллектуальнойсистемы. Стратегия управления представляет собой средство, использующеерассуждения или осуществляющее выводы о знаниях, содержащихся в БЗ.Сформулируем более точно функции механизма вывода и стратегий управления.

Механизм вывода реализует общую встраиваемую схемупоиска решений. Стратегии управления обеспечивают разнообразное управление врамках принятой для данной системы схемы механизма вывода. Другими словами,стратегия управления определяет последовательность и содержание действий приреализации механизма вывода. Она может составлять часть метауровня знаний, т.к.является знанием, которое рассуждает о другом знании, содержащемся в системе.

Наиболее часто реализуемый вариант структурывзаимодействия решающих компонентов систем ИИ включает в себя БЗ, рабочуюпамять (глобальную БД) и управляющую структуру. Работа управляющей структуры вобщем случае заключается в анализе состояния рабочей памяти и выявлении поописанию характера и типа данных в рабочей памяти в БЗ знаний (правил, объектовили фактов), соотносимых с этим описанием. Т.е. в БЗ определяется некийподходящий блок знаний (или набор блоков), готовый работать в соответствии стекущими данными рабочей памяти.

Процесс реализации стратегии вывода проходит черезчетыре основных стадии: выбор, сопоставление, разрешение конфликтов,выполнение.

3.4. Диалоговый интерфейс

Производственныесистемы ИИ функционируют в подавляющем большинстве реализаций, а интерактивномрежиме с пользователями, поэтому они должны обладать дружелюбным интерфейсом,позволяющим человеку легко и в удобной для него форме взаимодействовать с еекомпонентами. Общение человека и ПСИИ могут обеспечивать и реализовыватьразличные программные и технические средства ввода и вывода информации.Взаимодействие пользователя с компьютером возможно посредством речи, сенсорногоэкрана введения текстов на естественном языке, изображений, работы с графикой,полиэкранным дисплеем, манипулятором типа ”мышь”.

Естественнойформой общения человека с ПСИИ является язык, на котором говорит. В настоящеевремя одной из проблем ИИ является развитие систем понимания ЕЯ. Языки, спомощью которых пользователь может общаться с машиной, можно разделить на трикласса: регламентированные, профессионально – ориентированные и естественные.

Прирегламентированном языке система сама выбирает вариант диалога и ведет его.Пример — ”меню” и анкетный язык. Преимущества такого способа общения – простотаи надежность. Однако жестко запланированный и заложенный в память системысценарий диалога не может предусмотреть все возможные варианты диалога.

Болеесовершенной формой общения пользователя с системой является общение на ограниченномЕЯ. Лексика здесь ограничена предметной областью, к которой язык отнесен. Этаформа общения исключает различные формы одного и того же слова и пользовательне может выйти за рамки словарного запаса данной системы.

Естественно– языковые системы, которые обрабатывают произвольный набор текстов, внастоящее время в законченном виде не существуют. Говоря о ЕЯ-системах, имеют ввиду системы, ориентированные все-таки на определенную предметную область,обладающие более развитыми, по сравнению с системами профессионально –ориентированными, возможностями восприятия языка и обеспечивающие большийкомфорт пользователю.

3.5. Объяснение и обоснование решений в ПСИИ

Системаобоснований (СО) функционально предназначена для формирования ответов навопросы пользователя относительно поведения интеллектуальной системы (ИС) впроцессе получения ею заключения или решения. Способность объяснять своидействия – одно из главных отличительных свойств ИС. Она повышает довериепользователя к системе, к представляемым ею рекомендациями решениям. Крометого, СО возможно использовать в процессе модификации и развития ИС, выявленияпротиворечивых знаний, а также при обучении менее подготовленных пользователей.

СистемыИИ различных типов, ориентированные на разные проблемные области, должны иметьспецифичные для них СО (некоторые системы могут вообще не иметь СО). Однако напрактике все СО реализуются на одних и тех же принципах в основном двумяспособами: фиксацией событий и состояний с помощью заготовленных текстов наестественном языке; трассировкой рассуждений, обратным развертыванием деревацелей с указанием подцелей. При реализации каждого из этих способовпредварительно выделяются ситуации, факты и узлы перехода в новые состояния,требующие объяснений. Им ставится в соответствие некоторый текст объяснений.

Приспособе фиксации событий объяснения составляются из кратких текстов наестественном языке, которые хранятся вместе с правилами и фактами. Эти текстыпредварительно помещаются в программу и инициируются в том случае, когда заданвопрос по соответствующей ситуации и необходимо их представление. Несмотря нанекоторое преимущества, связанные с возможностью формирования удобных и простыхдля восприятия объяснений, этот способ имеет два важных ограничения,препятствующих широкому применению: объяснения должны исправляться каждый раз,когда меняется БЗ; объяснение может быть адаптировано к индивидуальномупользователю только с большим трудом. Кроме того, очень часто пользователяинтересует именно ход рассуждения, цепочка логических выводов, приведших кзаключению.

Способтрассировки рассуждений при объяснении предусматривает пересечение дерева целейдля ответа на вопросы. СО может объяснять, как было получено заключение. Этодостигается путем прохождения подцелей, которые были удовлетворены при движениик цели.

Впоследнее время получает распространение новый вид объяснения, называемыйобоснованием выводов, которое, не учитывая способа комбинации выводов, даетописание системы путем выявления причин сделанных выводов. Одним из способовявляется проверка или оценка правильности и реализуемости на основепрогнозирования последствий и развития ситуаций в случае использования этихрешений, а также выявление возможных узких мест. Во многих предметных областях,связанных с производственным процессом, основой для принятия управляющихрешений и выработки обоснованных рекомендаций является оценка ситуаций,складывающихся во внешней среде, определение и прогнозирование ее наиболееважных свойств на основе интерпретации имеющихся данных.

Прогнозирующиесистемы логически выводят вероятные следствия из заданных ситуаций и притекущих данных. При обосновании решений и прогнозировании в этих системах частоиспользуется либо имитационная, либо параметрическая динамическая модель, вкоторой значения параметров подгоняются под данную ситуацию. В