Експертні системи, їх будова та застосування в економіці

Визначальною рисою комп’ютерних програм, що називаються експертними, є їх здатність накопичувати знання і досвід найбільш кваліфікованих спеціалістів (експертів) у певній предметній галузі. Потім за допомогою цих знань користувачі ЕС, що мають звичайну кваліфікацію, можуть розв’язувати свої задачі так само успішно, як це зробили б самі експерти.

Експертні системи - це програми для комп'ютерів, що акумулюють знання фахівців - експертів в конкретних предметних галузях, які призначені для одержання прийнятних рішень в процесі обробки інформації. Експертні системи трансформують досвід експертів у якій-небудь конкретній галузі знань у форму евристичних правил і призначені для консультацій менш кваліфікованих фахівців.

Відомо, що знання існують в двох видах: колективний досвід, особистий досвід. Якщо предметна представлена колективним досвідом (наприклад, вища математика), то ця предметна галузь не потребує експертних систем. Якщо в предметній галузі велика частина знань є особистим досвідом фахівців високого рівня і ці знання є слабо структурованими, то така галузь потребує експертних систем. Сучасні експертні системи знайшли широке застосування у всіх сферах економіки.

Функціонально експертну систему можна визначити як обчислювальну систему, яка здатна використовувати знання про деяку предметну галузь і приймати рішення в рамках цієї галузі знань на рівні експерта-професіонала.

Експертна система складається з:

– бази знань (що складається з робочої пам'яті і бази правил), призначеної для зберігання вихідних і проміжних фактів в робочій пам'яті (її ще називають базою даних) і зберігання моделей і правил маніпулювання моделями в базі правил

– вирішувача завдань (інтерпретатора), який забезпечує реалізацію послідовності правил для вирішення конкретного завдання на основі фактів і правил, що зберігається в базах даних і базах знань

– підсистеми пояснення, яка дозволяє користувачеві отримати відповіді на питання: «Чому система прийняла таке рішення?»

– підсистеми набуття знань, призначеної як для додавання в базу знань нових правил, так і модифікації наявних правил.

інтерфейсу користувача, комплексу програм, що реалізовують діалог користувача з системою на стадії введення інформації, і одержання результатів.

Структура експертної системи

Підсистема придбання знань призначена для додавання в базу знань нових правил і модифікації наявних. У її задачу входить приведення правила до виду, що дозволяє підсистемі виводу застосовувати це правило в процесі роботи. У більше складних системах передбачені ще й засоби для перевірки даних що вводять або модифікують, на несуперечність із наявними правилами.

База знань - найбільш важливий компонент експертної системи, на якому базується її «інтелектуальні здібності».

База знань містить факти і правила, що оцінюють результативність кожного варіанту з точки зору най скорішого досягнення мети. Базу знань можна замінити і це не вплине на процес міркування системи.

База знань є ядром експертної системи. Перехід від даних до знань є наслідком розвитку інформаційних систем. Для зберігання даних застосовуються бази даних, а для зберігання знань – бази знань. У базі даних, як правило, зберігаються великі масиви даних з відносно невеликою вартістю, а в базах знань зберігаються невеликі за об'ємом, але дорогі інформаційні масиви.

База знань – це сукупність знань, описаних з використанням вибраної форми їх подання. Наповнення бази знань є одним з найскладніших завдань, яке пов'язане з вибором знань їх формалізацією і інтерпретацією.

Підсистема логічних висновків - програмний компонент експертних систем, що реалізує процес її міркувань на основі бази знань і робочої множини. Вона виконує дві функції: по-перше, перегляд існуючих фактів з робочої множини й правил з бази знань і додавання (у міру можливості) у робочу множину нових фактів й, по-друге, визначення порядку перегляду й застосування правил. Ця підсистема управляє процесом консультації, зберігає для користувача інформацію про отримані висновки, і запитує в нього інформацію, коли для спрацьовування чергового правила в робочій множині виявляється недостатньо даних.

Ціль ЕС - вивести деякий заданий факт, що називається цільовим твердженням (тобто в результаті застосування правил домогтися того, щоб цей факт був включений у робочу множину), або спростувати цей факт (тобто переконатися, що його вивести неможливо, отже, при даному рівні знань системи він є помилковим). Цільове твердження може бути або «закладене» заздалегідь у базу знань системи, або витягається системою з діалогу з користувачем.

Робота системи являє собою послідовність кроків, на кожному з яких з бази вибирається деяке правило, що застосовується до поточного вмісту робочої множини. Цикл закінчується, коли виведене або спростоване цільове твердження. Цикл роботи експертної системи інакше називається логічним виводом Логічний висновок може відбуватися багатьма способами, з яких найпоширеніші - прямий порядок виводу й зворотний порядок виводу.

Прямий порядок виводу - від фактів, які перебувають у робочій множині, до висновку. Якщо такий висновок вдається знайти, то воно заноситься в робочу множину. Прямий вивід часто називають виводом, керованим даними.

Зворотний порядок виводу: висновки переглядаються доти, поки не буде виявлені в робочій пам'яті або отримані від користувача факти, що підтверджують одне з них. У системах зі зворотним висновком спочатку висувається деяка гіпотеза, а потім механізм виводу в процесі роботи, як би повертається назад, переходячи від її до фактів, і намагається знайти серед них ті, які підтверджують цю гіпотезу. Якщо вона виявилася правильної, то вибирається наступна гіпотеза, що деталізує першу яка є по відношенню до неї підцілью. Далі відшукуються факти, що підтверджують істинність підлеглої гіпотези. Висновок такого типу називається керованим цілями. Зворотний пошук застосовується в тих випадках, коли мети відомі і їх порівняно небагато.

Система пояснення прийняття рішень показує, за допомогою яких міркувань системою був отриманий результат у зрозумілому людині вигляді.

Оскільки системи, засновані на знаннях, реалізуються на комп'ютерах, те й вхідна інформація сприймається або у вигляді, зрозумілому комп'ютеру, тобто в бітах і байтах. Однак для того щоб міг взаємодіяти непідготовлений користувач, у неї потрібно включити засоби спілкування природною мовою. Переважна більшість систем, заснованих на знаннях, мають досить примітивний інтерфейс природною мовою - припустимі вхідні повідомлення користувача обмежені набором понять, що втримуються в базі знань. Через це були ще включені блоки для пояснення кожного кроку міркувань які для користувача-непрограміста такий спосіб пояснення може здатися зайво деталізованим і занадто формальним, а потрібно було б пояснення на “більше високому рівні” з погляду здорового глузду й без поглиблення в деталі. Подібні моделі пояснення тільки починають з'являтися в ЕС і вимагають більш складної організації знань.

До характеристик, притаманних ЕС як системам штучного інтелекту можна віднести:

Компетентність, тобто здатність приймати рішення, адекватні рішенням професіонала-експерта високого рівня.

Здатність будувати “міркування” на основі символьних перетворень.

Здатність використовувати як загальні, так і окремі схеми породження рішення.

Здатність розв’язувати завдання в реальних предметних галузях.

Здатність до інтерпретації формулювання запитів і завдань.

Здатність до аналізу своєї роботи.

Експертні системи відрізняються від традиційних систем обробки даних тим, що в них, як правило, використовується символьний спосіб подання, символьний вивід і евристичний пошук рішень. Для вирішення завдань, що слабо формалізуються або не формалізуються, перспективнішими є нейроні мережі або нейрокомп'ютери.

Основу нейрокомп'ютерів складають нейроні мережі – ієрархічні організовані паралельні з'єднання адаптивних елементів – нейронів, які забезпечують взаємодія з об'єктами реального світу так само, як і біологічна нервова система.

Великі успіхи використання нейромереж досягнуті при створенні самонавчальних експертних систем. Мережу набудовують, тобто навчають, пропускаючи через неї всі відомі рішення і досягаючи одержання необхідних відповідей на виході. Налаштування полягає в підборі параметрів нейронів. Часто використовують спеціалізовану програму навчання, яка займається навчанням мережі. Після навчання система готова до роботи.

Якщо в експертну систему її творці заздалегідь закладають знання в певній формі, то в нейронних мережах невідомо навіть розробникам, як формуються знання в її структурі в процесі навчання і самонавчання, тобто мережа є «чорним ящиком».

Нейрокомп'ютери, як системи штучного інтелекту, є дуже перспективними і можуть нескінченно удосконалюватися в своєму розвитку. В даний час системи штучного інтелекту у формі експертних систем і нейронних мереж знаходять широке застосування при вирішенні фінансово – економічних проблем.