Название: Базы знаний интеллектуальных систем - Гаврилова Т.А.

Жанр: Информатика

Рейтинг:

Просмотров: 1257

На этапе начального формирования базы знаний MOLE назначает численные веса ассоциативных связей но умолчанию на основе следующих посылок:

• каждое наблюдение должно быть объяснено некоторой гипотезой;

• только одна из гипотез, объясняющих данное наблюдение, является в каждом конкретном случае наиболее вероятной;

• сумма оценок для связей данного наблюдения с объясняющими его гипотезами равна единице.

Тогда по умолчанию MOLE назначает для каждой связи данного наблюдения оценку, полученную как частное от деления единицы на число гипотез, объясняющих данное наблюдение. MOLE предполагает, что если эксперт сообщил несколько объяснений для одного и того же объекта, то, вероятно, он может сообщить и знания, позволяющие различать эти объяснения.

Система приобретения знаний SALT [Markus, 1987] создана в университете Carnegie Mellon. Система SALT — система приобретения знаний для задач конструирования. Система SALT разрабатывалась в предположении, что решение этой задачи осуществляется методом пошагового распространения ограничений.

Для решения задач конструирования методом пошагового распространения ограничений необходимы знания следующих типов:

• процедуры установления значений параметров;

• процедуры проверки ограничений;

• процедуры коррекции значений параметровс указанием «цены» каждого корректирующего действия.

Важно, чтобы все эти знания составляли целостную и непротиворечивую БЗ.

Наибольшую трудность для эксперта представляет необходимость последовательно, шаг за шагом описать все свои действия при разработке проекта. Работая с системой SALT, эксперт избавлен от этой необходимости.

Исходя из того, как именно экспертные знания будут использоваться в ЭС при составлении конкретных проектов, SALT анализирует текущее состояние БЗ и предлагает эксперту-пользователю ввести или пересмотреть тот или иной фрагмент знаний. Диалог с пользователем в SALT ведется либо посредством вопросов-подсказок, либо посредством меню. Инициатива в диалоге принадлежит системе.

Система приобретения знаний OPAL [Musen, Pagan, et al., 1987] была создана в начале 80-х годов в Стэнфордском университете. Эта система обеспечивает формирование и наращивание базы знаний для ЭС ONCOCIN, дающей советы по лечению онкологических больных. Система приобретения знаний OPAL основана на детально проработанной модели медицинских знаний, используемых врачами-онкологами для рекомендации лечения. Системой используется девять типов знаний:

• схема лечения (порядок и длительность режимов лечения);

• критерий выбора протокола;

• химиотерапия (описание комбинаций лекарств, назначаемых в том или ином режиме, их дозировка);

• радиотерапия (локализация и дозировка радиотерапии);

• изменения в составе крови, требующие модификации дозировки;

• негативные реакции на лечение, выявленные путем лабораторных исследований;

• другие отрицательные последствия проводимого лечения, требующие модификации дозировки лекарств;

• перерыв или прекращение лечения;

• лабораторные исследования, необходимые для обнаружения токсичности лечения и для сохранения истории течения болезни.

Эти типы медицинских знаний связаны в иерархическую структуру.

Для ввода каждого типа знаний разработан специальный графический интерфейс, учитывающий то, как принято фиксировать соответствующие знания. Так, например, для записи схемы лечения онкологи используют диаграммы переходов с условиями на дугах. В системе OPAL ввод таких знаний осуществляется с помощью графического языка программирования. Схема лечения создается как программа на этом языке.

Схемы протоколов и заполненные формы транслируются системой OPAL во внутреннее представление БЗ ЭС ONCOCIN. Этот процесс осуществляется без участия пользователя. По схемам протоколов порождаются диаграммы переходов, называемые генераторами; по формам-бланкам порождаются правила продукций, присоединяемые к соответствующим состояниям в диаграмме.

Система KNA СК создана в 1989 г. в университете Carnegie Mellon. Она представляет собой ориентированный на экспертов предметной области инструмент для создания ЭС, помогающих оценивать и улучшать различные виды проектов.

Единственными знаниями, изначально встроенными в систему KNACK, являются знания о процессе оценки проектов вообще, то есть независимо от конкретного содержания проектов. Все остальные знания приобретаются системой KNACK на основе диалога и анализа документов, называемых отчетами. Отчет описывает процесс оценки какого-либо конкретного проекта.

Приобретение знаний, необходимых для оценки проектов определенного класса, система KNACK осуществляет в два этапа. Первый этап — это настройка на класс проектов. На этом этапе система KNACK с помощью эксперта создает предварительную модель. Расширенная с помощью специальных процедур модель предметной области автоматически транслируется в программу на языке OPS-5.

К методам структурированного интервью примыкают и использованные при построении системы МЕДИКС [Ларичев, Мечитов и др., 1989] процедуры экспертной классификации. Задача экспертной классификации формулируется в работе [Ларичев, Мечитов и др., 1989] для:

• множества независимых свойств Р;

• множества признаков Q;

• множества Qm возможных значений m-го признака;

• множества А всех возможных состояний.

Эксперту (или группе экспертов) предлагается идентифицировать наличие свойств из множества Р и тем самым построить классификацию множества А = UKj, такую, что состояние аОА относится к некоторому классу Kj, если, по мнению эксперта, это состояние обладает свойством POP. Повысить эффективность экспертной классификации в этом случае удается благодаря использованию априорно заданного отношения линейного порядка на множестве состояний.