19. Прикладное 1: ЭС и СППР
Текст видео

Что ж, мы начинаем второй модуль нашего курса по основам Искусственного Интеллекта и переходим к рассмотрению более или менее прикладных аспектов. Меня зовут Роман Душкин, и у нас девятнадцатое занятие. Сегодня мы изучим экспертные системы и их развитие — системы поддержки принятия решений. Заинтригованы? Погнали...

Мы уже несколько раз упоминали и даже рассматривали экспертные системы и системы поддержки принятия решений, и теперь пришло время сделать это настолько детально, насколько позволяет формат нашего курса. Помните, я рассказывал про экспертную систему MYCIN? Это была одна из первый ЭС. А самой первой была система DENDRAL, которая решала задачу определения молекулярной структуры неизвестного вещества по данным масс-спектрометрии. Это была диагностическая ЭС, и она делала предположения о «диагнозе» на основании входных данных. В данном случае под диагнозом понимается выбор структуры неизвестного вещества. Вообще, давайте рассмотрим, какие задачи обычно решаются при помощи экспертных систем. Перечислю их в порядке возрастания сложности: интерпретация, мониторинг, диагностика, проектирование, прогнозирование, планирование, оптимизация, обучение и управление. Для решения каждой из этих задач часто используются свои методы, но в целом все они сводятся к одним и тем же схемам работы с экспертными знаниями, манипуляции символами и взаимодействия с пользователем при помощи естественного языка.
Мы помним, что второй хайп вокруг Искусственного Интеллекта появился именно из-за экспертных систем. Учёные предлагали большое количество методов решения перечисленных задач. Разработчики делали как сами ЭС, так и инструменты для их создания. Но внезапно возникли проблемы организационного характера, если так можно выразиться. Хотя в целом они не являются непреодолимыми, но тогда разработка экспертных систем серьёзно «провисла». Дело в том, что эксперты не стремятся делиться своим знанием, особенно в целях его неограниченного распространения и применения. Ведь если экспертная система будет решать все задачи за человека в заданной проблемной области, то зачем нужен эксперт? Другими словами, это вполне обоснованное опасение специалиста в том, что если он поделится своим знанием, то тем самым «размоет» свою полезность и востребованность. Тем не менее, вопрос вполне решаем с учётом того, что большая часть действительно нужных знаний изложена в письменных источниках — статьях и книгах. И их можно использовать для построения баз знаний интеллектуальных систем.

Тем не менее, в конечном итоге даже нашлись эксперты, которые были крайне заинтересованы в создании подобных систем. И они начали работать над базами данных. И тут-то обнаружился следующий проблемный аспект — экспертные знания, в общем-то, не так просто формализовать. Их прямой перевод на язык формальной логики возможен только в очень ограниченных случаях, а в большей части экспертные знания представляют собой переплетение так называемых «НЕ-факторов» — они неполны, часто противоречивы (особенно если рассматривать знания нескольких экспертов), неточны в силу неточности измерений и фундаментальной неопределённости реального мира. Часто знания выражаются на нечётком естественном языке, и для решения повседневных задач этого достаточно, но совершенно недостаточно для формализации в виде баз знаний. Даже появление профессии когнитолога или инженера по знаниям не помогло — пришлось развивать математический аппарат. В итоге и эта проблема была побеждена, и сегодня существует большое количество формализмов и методов обработки знаний с НЕ-факторами.


Теперь перейдём к рассмотрению компонентов ЭС. Обычно выделяется четыре компонента, и мы рассмотрим каждый. Во-первых, это база знаний, которая содержит знания о проблемной области. В режиме штатной работы база знаний обычно не изменяется, а потому информация из неё берётся машиной вывода в режиме «только чтение». Изменение базы знаний осуществляется в режиме обучения системы экспертом. Однако в последнее время наибольший интерес представляют экспертные системы, которые имеют возможности самообучения в процессе работы с пользователями. Во-вторых, это рабочая память, которая содержит факты, вводимые пользователем при помощи интерфейса (либо как-то иначе добываются экспертной системой из внешнего мира — например, с сенсоров). При помощи фактов машина вывода активирует знания из базы знаний и выводит новые факты, которые так же помещаются в рабочую память. В-третьих, это сама машина вывода, то есть это ядро экспертной системы. Она получает знания из базы знаний и факты из рабочей памяти, а также запросы пользователя через интерфейс взаимодействия с ним. Далее происходит цикличная работа с рабочей памятью и, при необходимости, с пользователем, когда на основе имеющихся фактов и знаний осуществляется вывод новых фактов, их уточнение у пользователя или запрос у него дополнительных фактов. В конечном итоге машина вывода получает результаты вывода и выдаёт их пользователю. И, наконец, в-четвёртых, это интерфейс пользователя, который и представляет собой тот механизм, при помощи которого пользователь взаимодействует с экспертной системой. В самом начале развития экспертных планировалось, что интерфейс пользователя будет естественно-языковым, однако с анализом естественного языка возникли существенные проблемы, а потому чаще всего используется формализованный ввод (иногда даже похожий на естественно-языковой).

Интересным является вопрос — в составе каких более крупных систем могут включаться экспертные системы? Самый тривиальный ответ: «В составе систем автоматического управления и автоматизированных систем управления». Это традиционные области использования экспертных систем, особенно в хорошо формализуемых проблемных областях. Например, системы автоматического управления технологическими процессами вполне могут управляться при помощи достаточно небольших экспертных систем, базы знаний которых содержат несколько сотен продукций.
Но самым главным классом систем, в которых используются экспертные системы в качестве элементов, являются системы поддержки принятия решений. С развитием аналитических методов и появлением новых математических формализмов для обработки больших объёмов данных, для поиска закономерностей, в том числе скрытых, системы поддержки принятия решений получили второе дыхание, и сегодня этот класс систем используется в большом количестве областей применений для снятия с аналитиков и руководителей рутинной работы по сбору и анализу больших массивов информации и подготовке и принятию решений.

Сегодня системы поддержки принятия решений используются во многих областях жизни. В первую очередь необходимо отметить, что они являются неотъемлемой частью деятельности различного штабов, действующих в условиях крайне ограниченного времени — при ликвидации последствий чрезвычайных ситуаций, при очень быстро развивающихся событиях внешнего характера, при невозможности задействования людей при выполнении каких-либо работ. В этих случаях системы поддержки принятия решений используются в рамках так называемого ситуационного управления, когда такая система должна за крайне ограниченное время обработать большие объёмы динамической информации о развитии ситуации, над которой осуществляется управления, и выдавать лицам, принимающим решения, обоснованные прогнозы, планы и решения.

В будущем прогнозируется использование таких систем не только в связке с людьми, принимающими решения, но и автономно, когда сами искусственные интеллектуальные системы начинают самостоятельно принимать решение. Это позволит повысить скорость принятия решений, исключить человеческий фактор в критических областях, а также персонализировать подход к каждому конкретному человеку. И это ожидается не только в части маркетинга (персонализированные рекламные акции и продажи), но и в таких областях, как образование, здравоохранение, юриспруденция и многих других. Хотя, конечно же, остаётся вопросы этического плана и ответственности за решение, ожидается, что эти вопросы будут решены, а уровень решений будет настолько качественным, что говорить об ответственности интеллектуальной системы не придётся.

Итак, мы кратко рассмотрели одно из магистральных направлений в рамках Искусственного Интеллекта — это экспертные системы и их развитие, системы поддержки принятия решений. Теперь прошу вас переходить к дополнительным материалам и тестам. И до завтра.
Самостоятельная работа
Задание 1

Прочесть все материалы по ссылкам выше

Задание 2

Сдать проверочный тест
Есть вопросы? Отлично, задавайте!
Предыдущие уроки
Урок № 1: ИИ и две зимы здесь
Урок № 2: ИИ и междисциплинарные исследования здесь
Урок № 3: Две парадигмы здесь
Урок № 4: Интуитивный подход и тест Тьюринга здесь
Урок № 5: Символьный и логический подходы здесь
Урок № 6: Агенты и роевой интеллект здесь
Урок № 7: Гибридный подход здесь
Урок № 8: Гибридный подход здесь
Урок № 9: Некоторые мифы об ИИ — 1 здесь
Урок №10: Некоторые мифы об ИИ - 2 здесь
Урок №11: Некоторые мифы об ИИ — 3 здесь
Урок №12: Правда об ИИ - 1 здесь
Урок №13: Правда об ИИ - 2 здесь
Урок №14: Правда об ИИ - 3 здесь
Урок №15: Несколько успешных примеров ИИ-проектов — 1 здесь
Урок №16: Несколько успешных примеров ИИ-проектов — 2 здесь
Урок №17: Несколько успешных примеров ИИ-проектов — 3 здесь
Урок №18: Философия ИИ здесь