Для операций с нечеткими знаниями, выраженными при помощи лингвистических переменных, существует много различных способов. Эти способы являются в основном эвристиками. Мы не будем останавливаться на этом вопросе подробно, укажем лишь для примера определение нескольких операций.
Для вывода на нечетких множествах используются специальные отношения и операции над ними (подробнее см. работу [Орловский, 1981]).
Одним из первых применений теории НМ стало использование коэффициентов уверенности для вывода рекомендаций медицинской системы MYCIN [Shortliffe, 1976]. Этот метод использует несколько эвристических приемов. Он стал примером обработки нечетких знаний, повлиявших на последующие системы.
В настоящее время в большинство инструментальных средств разработки систем, основанных на знаниях, включены элементы работы с НМ, кроме того, разработаны специальные программные средства реализации так называемого нечеткого вывода, например "оболочка" FuzzyCLIPS.
Центральная парадигма интеллектуальных технологий сегодня - это обработка знаний. Системы, ядром которых является база знаний или модель предметной области, описанная на языке сверхвысокого уровня, приближенном к естественному, называют интеллектуальными. Будем называть такой язык сверхвысокого уровня - языком представления знаний (ЯПЗ). Чаще всего интеллектуальные системы (ИС) применяются для решения сложных задач, где основная сложность решения связана с использованием слабо-формализованных знаний специалистов-практиков и где логическая (или смысловая) обработка информации превалирует над вычислительной. Например, понимание естественного языка, поддержка принятия решения в сложных ситуациях, постановка диагноза и рекомендации по методам лечения, анализ визуальной информации, управление диспетчерскими пультами и др.
Фактически сейчас прикладные интеллектуальные системы используются в десятках тысяч приложений. А годовой доход от продаж программных и аппаратных средств искусственного интеллекта еще в 1989 г. в США составлял 870 млн долларов, а в 1990 г. - 1,1 млрд долларов [Попов, 1996]. В дальнейшем почти тридцатипроцентный прирост дохода сменился более плавным наращиванием темпов (по материалам [Поспелов, 1997; Хорошевский, 1997; Попов, 1996; Walker, Miller, 1987; Tuthill, 1994, Durkin, 1998]).
На рис. 1.9 отражены различные аспекты состояния рынка искусственного интеллекта: инвестиции в разработку в области ИИ (США, Европа, Япония) (рис. 1.9, а); доля систем ИИ в информатике(программном обеспечении) (рис. 1.9, б); доходы от продаж традиционных языков программирования (рис. 1.9, в); инвестиции только в программное обеспечение (США) (рис. 1.9, г); инвестиции в аппаратное обеспечение (США) (рис. 1.9, д); структура рынка ЭС (США, 1993) (рис. 1.9, е).
Наиболее распространенным видом ИС являются экспертные системы.
________________________________________
Экспертные системы (ЭС) - это наиболее распространенный класс ИС, ориентированный на тиражирование опыта высококвалифицированных специалистов в областях, где качество принятия решений традиционно зависит от уровня экспертизы, например, медицина, юриспруденция, геология, экономика, военное дело и др.
________________________________________
ЭС эффективны лишь в специфических "экспертных" областях, где важен эмпирический опыт специалистов.
Только в США ежегодный доход от продаж инструментальных средств разработ- ки ЭС составлял в начале 90-х годов 300-400 млн долларов, а от применения ЭС - 80-90 млн долларов [Попов, 1996]. Ежегодно крупные фирмы разрабатывают десятки ЭС типа "in-house" для внутреннего пользования. Эти системы интегрируют опыт специалистов компании по ключевым и стратегически важным технологиям. В начале 90-х гг. появилась новая наука - "менеджмент знаний" (knowledge management), ориентированная на методы обработки и управления корпоративными знаниями (см. главу 5).
Современные ЭС - это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и распространяющие этот эмпирический опыт для консультирования менее квалифицированных пользователей. Разработка экспертных систем, как активно развивающаяся ветвь информатики, направлена на использование ЭВМ для обработки информации в тех областях науки и техники, где традиционные математические методы моделирования малопригодны. В этих областях важна смысловая и логическая обработка информации, важен опыт экспертов.
Приведем некоторые условия, которые могут свидетельствовать о необходимости разработки и внедрения экспертных систем (частично из [Уотермен, 1989]):
• нехватка специалистов, затрачивающих значительное время для оказания помощи другим;
• выполнение небольшой задачи требует многочисленного коллектива специалистов, поскольку ни один из них не обладает достаточным знанием;
• сниженная производительность, поскольку задача требует полного анализа сложного набора условий, а обычный специалист не в состоянии просмотреть (за отведенное время) все эти условия;
• большое расхождение между решениями самых хороших и самых плохих исполнителей;
• наличие конкурентов, имеющих преимущество в силу того, что они лучше справляются с поставленной задачей.
Подходящие задачи имеют следующие характеристики:
• являются узкоспециализированными;
• не зависят в значительной степени от общечеловеческих знаний или соображений здравого смысла;
• не являются для эксперта ни слишком легкими, ни слишком сложными. (Время, необходимое эксперту для решения проблемы, может составлять от трех часов до трех недель.)
Экспертные системы достаточно молоды - первые системы такого рода, MYCIN [Shortliffe, 1976] и DENDRAL [Buchanan, Feigenbaum, 1978], появились в США в середине 70-х гг. В настоящее время в мире насчитывается несколько тысяч промышленных ЭС, которые дают советы:
• при управлении сложными диспетчерскими пультами, например сети распределения электроэнергии, - Alarm Analyser [Walker, Miller, 1987];
• при постановке медицинских диагнозов - ARAMIS [Shortliffe, Buchanan, Feigenbaum, 1979], NEUREX [Reggia, 1988];
• при поиске неисправностей в электронных приборах, диагностика отказов контрольно-измерительного оборудования - Intelligence Ware [Slagle, Gardiner, Kyungsook, 1990], Plant Diagnostics [Уотермен, 1989], FOREST [Finin, McAdams, Kleinosky, 1984];
• по управлению перевозками - AIRPLAN [Masui, McDermott, 1983];
• по прогнозу военных действий - ANALYST [Bonasso, 1984], BATTLE [Slagle, Gaynor, 1983];
• по формированию портфеля инвестиций, оценке финансовых рисков - RAD [Kestelyn,1992], налогообложению - RUNE [Durkin, 1998] и т. д.
Наиболее популярные приложения ИС отображены на рис. 1.10 [Durkin, 1998].
Сейчас легче назвать области, где еще нет ЭС, чем те, где они уже применяются. Уже в 1987 г. опрос пользователей, проведенный журналом "Intelligent Technologies" (США), показал, что примерно:
• 25 % пользователей используют ЭС;
• 25% собираются приобрести ЭС в ближайшие 2-3 года;
• 50% предпочитают провести исследование об эффективности их использования.
Главное отличие ИС и ЭС от других программных средств - это наличие базы знаний (БЗ), в которой знания хранятся в форме, понятной специалистам предметной области и могут быть изменены и дополнены также в понятной форме. Это и есть языки представления знаний - ЯПЗ.
До последнего времени именно различные ЯПЗ были центральной проблемой при разработке ЭС. Сейчас существуют десятки языков или моделей представления знаний (см. параграф 1.3). Наибольшее распространение получили следующие модели:
Для перечисленных выше моделей существует соответствующая математическая нотация, разработаны системы программирования, реализующие эти ЯПЗ, и имеется большое количество реальных коммерческих ЭС. Подробнее вопросы программной реализации прикладных ИС рассмотрены в главе 6.
Современное состояние разработок в области ЭС в России можно охарактеризовать как стадию все возрастающего интереса среди широких слоев специалистов - финансистов, топ-менеджеров, преподавателей, инженеров, медиков, психологов, программистов, лингвистов. В последние годы этот интерес имеет пока достаточно слабое материальное подкрепление - явная нехватка учебников и специальной литературы, отсутствие символьных процессоров и рабочих станций, ограниченное финансирование исследований в этой области, слабый отечественный рынок программных продуктов для разработки ЭС.
Поэтому появляется возможность распространения "подделок" под экспертные системы в виде многочисленных диалоговых систем и интерактивных пакетов прикладных программ, которые дискредитируют в глазах пользователей это чрезвычайно перспективное направление. Процесс создания экспертной системы требует участия высококвалифицированных специалистов в области искусственного интеллекта, которых пока выпускает небольшое количество высших учебных заведений страны.
Наибольшие трудности в разработке ЭС вызывает сегодня не процесс машинной реализации систем, а домашинный этап анализа знаний и проектирования базы знаний. Этим занимается специальная наука - инженерия знаний [Гаврилова, Червинская, 1992; Adeli, 1994; Scott, Clayton, Gibson, 1994].
