представляет собой совокупность моделей, методов и технических приемов, нацеленных на создание систем, которые предназначены для решения проблем с использованием знаний. Фактически инженерия знаний – это теория, методология и технология, которые охватывают методы добычи, анализа, представления и обработки знаний экспертов.
Представление знаний, их обработка и использование, рассматриваемые применительно к конкретной прикладной области, являются предметом инженерии знаний.
На высоком уровне, процесс инженерии знаний состоит из двух:
1. – преобразование «сырых знаний» в организованные.
2. – преобразование организованных знаний в реализованные.
С областью инженерии знаний тесно связано понятие .
Сущностью можно считать научный анализ и автоматизацию интеллектуальных функций человека. Однако для большинства проблем общая реальность – трудность их машинного воплощения. Исследования по ИИ позволили утвердиться во мнении, что подлинно необходимым для решения проблем являются знания экспертов, т.е. если создать систему, способную запоминать и использовать знания экспертов, то она найдет применение в практической деятельности.
История возникновения термина
Инженерия знаний тесно связана со всем процессом разработки интеллектуальных информационных систем в целом и (ЭС) в частности – от возникновения замысла до его реализации и совершенствования.
В конце 1960-х и начале 1970-х гг. под руководством Э.Фейгенбаума в Стенфордском университете США была создана система DENDRAL, а позднее – MYCIN. Поскольку эти системы накапливают в памяти компьютера знания экспертов и используют эти знания для решения проблем, извлекая их при необходимости из памяти, то они получили названия экспертных, а профессор Э.Фейгенбаум, являющийся одним из создателей экспертных систем (ЭС), выдвинул для данной области техники название «инженерия знаний». Слово «engineering» в английском языке означает искусную обработку предметов, изобретение или создание чего-либо. Следовательно, работу по оснащению программ специальными экспертными знаниями из проблемной области, выполняемую человеком либо компьютером (программой), также можно назвать «инженерией знаний».
Базы знаний.
Совокупность сведений, понятий, представлений о чем-либо, полученных, приобретенных, накопленных в результате учения, опыта, в процессе жизни и т.д. и обычно реализуемых в деятельности. Более формальные определения применяемые обычно в рамках менеджмента знаний:
Представление знаний, их обработка и использование, рассматриваемое применительно к конкретнойприкладной области, является предметом инженерии знаний. Коллекция совместно организованных знаний, относящихся к задачам, решаемым в системе искусственного интеллекта (ИИ), называется базой знаний (БЗ).
Итак, - это семантическая модель, описывающая предметную область и позволяющая отвечать на такие вопросы из этой предметной области, ответы на которые в явном виде не присутствуют в базе. База знаний является основным компонентом систем Искусственного интеллекта и Экспертных систем. Большинство БЗ ограничены в некоторой специальной, обычно узкой предметной области, в которой они сосредоточены.При создании БЗ технология ИИ позволяет встраивать в компьютер механизм и способности вывода, основывающиеся на фактах и отношениях, содержащихся в БЗ.
Задачи инженерии знаний.
Анализ предметной и проблемной областей.
Предметная область - сфера человеческой деятельности, выделенная и описанная согласно установленным критериям. В описываемое понятие должны входить сведения об ее элементах, явлениях, отношениях и процессах, отражающих различные аспекты этой деятельности. В описании предметной области должны присутствовать характеристики возможных воздействий окружающей среды на элементы и явления предметной области, а также обратные воздействия этих элементов и явлений на среду.
Проблемная область - комплексное понятие, включающее предметную область, решаемые задачи, цели, возможные стратегии и эвристики. Предметную область можно определить как объект или, например, производственную систему со всем комплексом понятий и знаний о ее функционировании. При исследовании проблемной области необходимы знания о задачах, решаемых в производственной системе, и стоящих перед ней целях.
При исследовании экономических систем и решаемых ими задач с целью формализации знаний в БЗ и работе необходимо учитывать специфику таких систем. Экономическим системам присуща динамичность функционирования, частая смена ситуаций, обновление больших массивов измерительных и других данных, характеризующих состояние объекта. Они часто функционируют в условиях полной определенности из-за действия случайных возмущающих факторов.
Приобретение знаний.
Приобретение знаний реализуется с помощью двух функций: получения информации извне и ее систематизации. При этом в зависимости от способности системы обучения к логическим выводам возможны различные формы приобретения знаний, а также различные формы получаемой информации.Классификация этапов обучения, соответствующих способностям компьютеров к формализации знаний:
А. Получение информации без логических выводов.
1. Ввод программ.
2. Ввод фактических данных.
Б. Получение извне информации, уже представленной в виде знаний.
1. Получение готового набора знаний, представленных во внутреннем формате.
2. Получение знаний, представленных во внутреннем формате, в режиме диалога.
3. Получение знаний, представленных во внешнем формате, и их понимание.
В. Обучение по примерам.
1. Параметрическое обучение.
2. Обучение на основе выводов по аналогии.
3. Обучение на основе выводов по индукции – эвристическое обучение.
Г. Приобретение знаний на метауровне.
В случае прикладных систем инженерии знаний необходимо преобразовать специальные знания из какой-либо области в машинный формат, но для этого нужен посредник, хорошо знающий как проблемную область, так и инженерию знаний. Таких посредников называют инженерами знаний (инженерами по знаниям).
Итак, – это специалист по искусственному интеллекту, проектирующий и создающий Экспертную систему или другую информационную систему.
Выявление источников знаний.
Выявление источников знаний и работа с ними - основная задача инженера знаний.
Инженер знаний выполняет важные функции при разработке БЗ. Он должен хорошо ориентироваться в проблемной области и быть неплохим психологом, чтобы общаться с экспертом в процессе приобретения знаний. Вместе с тем он должен хорошо знать и возможности программного обеспечения компьютеров, чтобы структурировать знания для хранения и работы с ними. Основным источником знаний о проблемной области является человек-эксперт. Эксперт - специалист, который за годы обучения и практической деятельности научился эффективно решать задачи, относящиеся к конкретной предметной области.
Инженер знаний работает с ним в режиме диалога или интервью и формирует необходимый объем знаний и сведений для работы с объектом. Возможно также использование опросников, которые затем соответствующим образом обрабатываются.
Табл.1 Методы извлечения знаний из предметного эксперта.
Метод
Описание
Наблюдение на рабочем месте
Наблюдать за экспертом, решающим реальные задачи на своем рабочем месте.
Обсуждение задач
Выявить виды данных, знаний и процедур, необходимых для решения конкретных задач.
Описание задач
Попросить эксперта описать прототипную задачу для каждой категории возможных ответов.
Анализ задачи
Представить эксперту ряд реалистических задач для решения вслух с целью выявить логические основания конкретных шагов рассуждения.
Доводка системы
Попросить эксперта предоставить вам несколько задач для решения и с использованием правил, выявленных во время интервью.
Оценивание системы
Попросить эксперта проверить работу системы и подвергнуть критике правила и структуру управления прототипной системой.
Проверка системы
Предоставить примеры, решенные экспертом и прототипом системы, другим независимым экспертам для сравнения и оценки.
Для некоторых задач источниками дополнительной информации являются книги, технологические описания, инструкции, документы . Используются также методы так называемого « мозгового штурма».
Знания об объекте можно формировать путем использования статистической обработки информации и информации о результатах имитационных экспериментов.
Другим важным источником знаний является Интернет. Помимо традиционного поиска необходимой информации и знаний в Интернет, в настоящее время в процесс поиска знаний вовлекаются интеллектуальные агенты.
Автоматизация процесса сбора знаний.
Автоматизация извлечения знаний и запись их в БЗ . Неавтоматизированный сбор знаний специалистов трудоемкий процесс. В развитых интеллектуальных системах предусматриваются вспомогательные средства для приобретения знаний.
Автоматическая структуризация неформальных знаний , доступных в Интернет через распределенную гипермедиа систему – Web. Технология гипермедиа через Web обеспечивает идеальный подход для развития систем, основанных на знаниях путем расширения возможностей каналов человеко–машинного взаимодействия. Этот новый подход к интеграции технологии гипермедиа с извлечением знаний имеет дело со знаниями до того, как они будут формализованы. Многие Web – механизмы поиска включают интеллектуальных агентов для идентификации и поставки требуемой информации по индивидуальным потребностям и запросам. Причина экспоненциального роста количества информации, обеспечиваемого через Web-механизмы, вызывает развитие методов структуризации информации в распределенных гипермедиа системах. Такая интеграция между технологией гипермедиа и методами извлечения знаний может обеспечить мощный инструмент для извлечения знаний.
Представление знаний.
Важное место в системах управления знаниями занимает проблема представления знаний, являющаяся ключевой.
Существует также ряд общих для всех СПЗ проблем. К ним можно отнести,
в частности, проблемы:
приобретения новых знаний и их взаимодействие с уже существующими;
организации ассоциативных связей;
выбора диапазона в размере элементов представления, связанной с тем, насколько «детально могут быть описаны объекты и события, и какая часть внешнего мира может быть представлена в конкретной системе»;
неоднозначности и выбора семантических примитивов;
модульности и понимания;
явности знаний и доступности;
выбора соотношения декларативной и процедурной составляющих представления, что влияет на экономичность системы, полноту, легкость кодировки и понимания.
Модели представления знаний.
Модели представления знаний можно условно разделить на декларативные и процедурные .
Декларативная модель представления знаний основывается на предположении, что проблема представления некоей предметной области решается независимо от того, как эти знания потом будут использоваться. Поэтому модель как бы состоит из двух частей: статических описательных структур знаний и механизма вывода , оперирующего этими структурами и практически независимого от их содержательного наполнения. При этом оказываются раздельными синтаксические и семантические аспекты знания, что является достоинством указанныхформ представленияиз-завозможности достиженияих определенной
универсальности.
В декларативных моделях не содержатся в явном виде описания выполняемых процедур. Эти модели представляют собой множество утверждений. Предметная область представляется в виде
синтаксического описания ее состояния.
Вывод решений основывается в основном на процедурах поиска в пространстве состояний.
В процедурномпредставлении знания содержатсявпроцедурах небольших программах, которые определяют, как выполнять специфичные действия (как поступать в специфичных ситуациях).
При этом можно не описывать все возможные состояния среды или объекта для реализации вывода. Достаточно хранить некоторые начальные состоянияипроцедуры, генерирующиенеобходимые описания ситуаций и действий. При процедурном представлении знаний семантика непосредственно заложена в описание элементов базы знаний, за счет чего повышается эффективность поиска решений.
Выбор способа представления знаний.
Важным вопросом при создании БЗ является выбор способа представления знаний. Цель представления знаний - организация необходимой информации в такую форму, чтобы программа ИИ имела легкий доступ к ней для принятия решений, планирования, узнавания объектов и ситуаций, анализа сцен, вывода заключений и других когнитивных функций.
Основные типы моделей представления знаний применительно к процессу разработки БЗ:
При использовании логики предикатов первого порядка (дедуктивной логики) БЗ может рассматриваться как совокупность логических формул, которые обеспечивают частичное описание проблемной среды.
позволяют описывать свойства и отношения объектов событий, понятий, ситуаций или действий с помощью направленного графа, состоящего из вершин и помеченных ребер.
Фреймы представляют собой декларативно-процедурные структуры. Во многих фреймовых структурах возможна реализация наследственных отношений, при которых объекты могут наследовать атрибуты более абстрактных объектов. Такая форма организации знаний позволяет экономить объем памяти.
Продукционные модели (основанные на правилах вида Если-То) являются наиболее популярным способом представления знаний. При организации знаний с использованием продукционных моделей в БЗ содержатся правила продукций, а в БД содержится информация, которая отображает текущее состояние решаемой задачи. Инициализацию необходимого правила осуществляет блок управления.
Большие трудности возникают при создании моделей нечетких знаний.
Формализация таких знаний осуществляется на основе теории нечетких множеств. Развиваются также модели на основе искусственных нейронных сетей (ИНС), многоагентных систем, генетических алгоритмов и другие моделипредставления и обработки знаний.
Поиск и хранение знаний.
Пои c к и хранение необходимых знаний c вязаны c понятием корпоративной памяти , которая по аналогии с человеческой памятью позволяет пользоваться предыдущим опытом и избегать повторения ошибок, что является пока достаточно труднореализуемым на практике.
Корпоративная память хранит неоднородную информацию из различных и c точников и делает ее доступной пользователям для решения корпоративных задач.
Становится актуальной разработка модели представления знаний, которая обеспечивала бы автоматизированную обработку информации на c емантическом уровне в системах управления знаниями.
Большую популярность в последнее время приобретают онтологии.
В области инженерии знаний было созданы различные средства и модели, позволяющие эффективно управлять знаниями и их представлением. Рассмотрим некоторые из них на нашей странице, посвященной методам инженерии знаний.
Инженерия знаний представляет собой совокупность моделей, методов и технических приемов, нацеленных на создание систем, которые предназначены для решения проблем с использованием знаний. Знания – это информация с ограниченной семантикой, однако с позиции прикладных аспектов необходимо, чтобы знания имели такую форму, которой была бы в определенной степени свойственна свобода достижения поставленной цели. В какой именно степени допустима эта свобода, или каким условиям должны отвечать знания, включая и их описательные возможности, зависит от области их приложения. В сфере технического применения и в экономике используется самая разнообразная среда представления, и помимо языкового описания она включает рисунки, математические формулы и т.п.
Хотя языковое представление и ограничено сравнительно простыми формализмами, оно не всегда удобно для технической и экономической областей. Это связано с их специфическим характером, т.к. в них все определяется фактами и объективной реальностью.
В дальнейшем изложении языковое описание, требуемое в прикладных областях информации (включая язык в широком его понимании и графику), будет называться языком представления знаний. Для использования подобной информации в виде знаний требуются интеллектуальные функции, превосходящие пока возможности современных компьютеров. Представление знаний, их обработка и использование, рассматриваемое применительно к конкретной прикладной области, является предметом инженерии знаний.
Инженерия знаний заняла свое место как технология применения знаний, когда вышла из недр ИИ и продолжала интенсивно развиваться все последние года.
Исследования по ИИ позволили утвердиться во мнении, что подлинно необходимыми для решения проблем являются знания экспертов. То есть, если создать систему, способную запоминать и использовать знания экспертов, то она найдет применение в практической деятельности.
И когда исследователи по ИИ действительно создали подобного ряда системы в конце 60-х и начале 70-х годов прошлого века, все эти воззрения были подтверждены.
Это системы DENDRAL, а позднее MYCIN, созданные под руководством Э. Фейгунбаума в Стэнфордском университете США, Поскольку эти системы накапливают в памяти компьютера знания экспертов и используют эти знания для решения проблем, извлекая их при необходимости из памяти, то они получили название экспертных, а профессор Э. Фейгенбаум, являющийся одним из создателей экспертных систем (ЭС), выдвинул для данной области техники название «инженерия знаний».
Фактически инженерия знаний – это методология ЭС, которая охватывает методы добычи, анализа и выражения в правилах знаний экспертов. Развитие ЭС создало инженерию знаний – процесс построения интеллектуальных систем.
Инженерия знаний тесно связана со всем процессом разработки интеллектуальных информационных систем в целом и ЭС в частности – от возникновения замысла до его реализации и совершенствования.
Главными элементами инженерии знаний являются использование операций типа обобщение, генерация гипотез для индуктивных выводов, подготовка новых программ самими компьютерными программами и т.д.
Слово engineering в английском означает искусная обработка предметов, изобретение или создание чего-либо. Следовательно, работу по оснащению программ специальными экспертными знаниями из проблемной области, выполняемую человеком, либо компьютером (программой), также можно назвать инженерией знаний.
1.2. Развитие исследований в области искусственного интеллекта.
Искусственный интеллект как наука был основан тремя поколениями исследователей.
В таблице 9.1 представлены ключевые события в истории ИИ и инженерии знаний, начиная с первой работы Маккалока и Питса в 1943 г. и до современных тенденций в комбинированных усилиях экспертных систем, нечеткой логики и нейронных вычислений в современных системах, основанных на знаниях, способных осуществлять вычисления при помощи слов.
Таблица 9.1 - Краткий перечень главных событий в истории ИИ и инженерии знаний.
Таким образом,исторически разработки в области ИИ велись в двух основных направлениях:
Первое направление связано с попытками разработки интеллектуальных машин путем моделирования их биологического прототипа - человеческого мозга. Сейчас это направление возрождается на основе развития современных аппаратных и программных средств (микрочипы на основе нечеткой логики, распределенные многопроцессорные системы, многоагентные системы, мягкие вычисления, генетические алгоритмы и нейронные сети и т.д.).
Второе направление связано с разработками методов, приемов, специализированных устройств и программ для компьютеров, обеспечивающих решение сложных математических и логических задач, позволяющих автоматизировать отдельные интеллектуальные действия человека (системы, основанные на знаниях, экспертные системы, прикладные интеллектуальные системы).
Эти два направления как бы определяют программу минимум и программу максимум, между которыми и лежит область сегодняшних исследований и разработок систем ИИ (рис.9.4). Работы по разработке программного и аппаратного обеспечения ИИ выделены в отдельную область.
Рис.9.4 - Основные направления исследований в области ИИ.
Для нас представляет интерес прежде всего второе направление: прикладные интеллектуальные системы и ЭС в таких предметных областях, как производство, управление процессами, управление маркетингом, финансовый менеджмент, банковская сфера, фондовый рынок.
1.3. Теория и практика искусственного интеллекта.
В процессе развития устройств и систем, которые проявляют интеллектуальные характеристики, вовлекаются различные науки и технологии, такие как лингвистика, психология, философия, техническое и программное обеспечение компьютеров, механика, гидравлика и оптика.
Пересечение интересов психологии и ИИ сосредоточено в областях когнитологии и психолингвистики. Философия и ИИ сотрудничают в областях логики, философии языка и философии разума. Взаимные пересечения между инженерией и ИИ включают обработку изображений, распознавание образов и роботику.
Позже свой вклад внесли менеджмент и теория организации (такие как принятие и реализация решений), химия, физика, статистика, математика, теория управления, эвристическое программирование, информационные системы менеджмента.
ИИ является наукой и технологией, а не коммерческой сферой. Это совокупность понятий и идей, которые предназначены для исследований. Однако, ИИ обеспечивает научные основы для нескольких развивающихся коммерческих технологий. Главными прикладными технологиями ИИ экспертные системы, интеллектуальные системы поддержки решений, обработка естественного языка, понимание речи, нечеткая логика, робототехника и сенсорные системы, компьютерное зрение и распознавание образов. На рис.9.5 представлены главные дисциплины и приложения ИИ.
Рис.9.5 - Дисциплины, на которых базируется ИИ и его приложения.
Области применения существующих на сегодняшний день систем ИИ охватывает медицинскую диагностику, интерпретацию геологических данных, научные исследования в химии и биологии, военное дело, производство, финансы и другие сферы экономики. Однако, несмотря на значительные успехи в области ИИ, пока еще существует определенный разрыв между техническими разработками, программными средствами ИИ и возможностями их более широко практического применения в частности, в экономике.
Наиболее показательным сектором, аккумулирующим различные проблемные направления экономической области, является управление промышленным предприятием. На его примере особенно хорошо видны преимущества использования систем ИИ для решения как различных предметных задач, так и для управления интегрированной системой предприятия в целом.
Существует множество доводов в пользу того, что системы искусственного интеллекта могут и должны стать важнейшей составной частью в технологии современных производств. Рассмотрим основные из них.
Главная проблема, стоящая перед предприятием (в смысле управления), - это проблема преодоления сложности. Как известно, сложности управления возникают тогда, когда приходится делать выбор из множества возможных решений. Это может быть инженерный выбор решения (как проектировать данное изделие), выбор расписания (как это изделие производить) и т.д.
Данная проблема обостряется в случае гибких производственных систем. Добавление гибкости приводит к увеличению числа альтернатив и, следовательно, возможных вариантов производства изделий. Уже сегодня составление расписания этапов производства изделий на «жестком» программном обеспечении представляет большие трудности. Усложнение самих изделий также ведет к усложнению проектирования.
Управление производством требует обработки большого объема информации. Проблема получения информации с объектов, функционирующих в реальном масштабе времени, в настоящее время решена. Но это породило другую проблему: как уменьшить долю информации до того уровня, который действительно необходим для принятия решения индивидуумом? В то же время следует отметить, что потеря информации, поступающей от объектов, работающих в реальном масштабе времени, может существенно сказаться на конечном результате.
Нехватка времени на принятие решения - еще одна проблема, которая проявляется по мере усложнения производства. Не менее важна и проблема координации. Известно, что проектирование неразрывно связано с производством, распределением и вспомогательными областями. Если проектирование не оптимально по отношению к стадиям производства, складирования, распределения или вспомогательному производству, то это может увеличить цену производства и снизить качество изделий.
И, наконец, очень важный фактор - необходимость сохранения и распределения знаний отдельных опытных экспертов, полученных, ими в процессе многолетней работы и большого практического опыта. Проблема извлечения знаний и их распределения - сегодня одна из главных проблем производственных организаций.
Таким образом, происходит интеллектуализация информационных систем управления и трансформация их в интеллектуальные СПР, основной разновидностью которых являются ЭС. Это наиболее значимые и важные для экономики и бизнеса прикладные технологии ИИ.
1.4. Интеллектуальные информационные системы поддержки решений.
Опыт эксплуатации информационных систем, в организационных и экономических системах показал, что наиболее важное значение должен иметь в этих системах и в контуре управления – человек (управленец; лицо, принимающее решение – ЛПР).
Не следует забывать, что управление в экономических и организационно – технических системах является сложным творческим процессом, нуждающимся в различных формах обеспечения интеллектуальной деятельности. Преуменьшение значения творческого элемента (опыта, интуиции) и, наоборот, преувеличение возможностей формализации ряда управленческих задач, неизбежно ведет к тому, что реальные результаты далеко не полностью оправдывают ожидания, которые связывались и связываются с компьютеризацией управления и принятия решений.
Видимо, здесь кроется причина недостаточно эффективного использования в ИС и системах поддержки решений методов оптимизации. Говоря о взаимодействии пользователя с оптимизационными моделями априорно подразумевают адекватность этих моделей реальному объекту. Однако, сложность, существенная нелинейность, слабая структурированность задач, неясность предпочтений, нечеткость исходной информации не позволяют в большинстве случаев разработчикам создавать адекватные модели объектов. "Ключом" в этом направлении должны стать и уже активно становятся методы и модели ИИ, в частности прикладные, системы, базирующиеся на знаниях (или интеллектуальные системы).
Большинствоимеющихся объектов управления относятся к слабоструктурированным или плохо определяемым объектам, которые обладают рядом неожиданных для традиционного управления свойств, таких, как уникальность, отсутствие формализуемой цели существования, отсутствие оптимальности, высокая динамичность, неполнота описания объекта, и, наконец, индивидуальность поведения лица принимающего решения в процессе принятия решений.
Практика показала, что трудности, практически непреодолимые для "управленца" -компьютера оказываются под силу управленцу-человеку. Квалифицированный эксперт после определенного времени работы по управлению уникальным объектом справляется и с неполнотой описания объекта, и с нечеткостью исходной информации, и с отсутствием формализуемых целей (разумеется, имеется в виду управление основными управляющими параметра мну.
Следовательно, в процессе практической деятельности по управлению объектом ЛПР приобретает некоторый инструмент, который помогает ему в решении задач управления плохо определенными объектами. Этот инструмент есть не что иное, как знание. Таким образом, возникла идея необходимости автоматизации интеллектуальной деятельности человека.
Основное назначение информационных систем в экономике – это своевременное представление необходимой информации ЛПР для принятия им адекватных и эффективных решений при управлении процессами, ресурсами, финансовыми транзакциями, персоналом или организацией в целом. Однако в процессе развития информационных технологий, исследования операций и технологий моделирования, а также с возрастанием потребителей информационно – аналитической поддержки самих ЛПР, все больше проявлялась потребность в системах, не только представляющих информацию, но и выполняющих некоторый ее предварительный анализ, способных давать некоторые советы и рекомендации, осуществлять прогнозирование развитие ситуаций, отбирать наиболее перспективные альтернативы решений, т.е. поддерживать решения ЛПР, взяв на себя значительную часть рутинных операций, а также функции предварительного анализа и оценок.
Информационная система поддержки решений связывает интеллектуальные ресурсы управленца со способностями и возможностями компьютера для улучшения качества решений. Эти системы предназначены для менеджеров, принимающих управленческие решения в условиях полуструктурированных и слабо определенных задач.
Таким образом, дальнейшее развитие ИСПР привело к созданию интеллектуальной информационной СПР.
Интеллектуальная ИСПР – это компьютерная система, состоящая из 5 основных взаимодействующих компонентов: языковой подсистемы (механизм обеспечения связи между пользователем и другими компонентами ИСПР), информационной подсистемы (хранилище данных и средств их обработки), подсистемы управления знаниями (хранилище знаний о проблемной области, таких как процедуры, эвристики и правила, и средства обработки знаний), подсистемы управления моделями и подсистемы обработки и решения задач (связующее звено между другими подсистемами).
Подсистема обработки и решения задач распределена и функционально встроена в другие подсистемы, реализуя свои отдельные специфические функции в их рамках. Эта подсистема обладает основными способностями по манипуляции и обработке задач для принятия решений.
На рис.9.6 представлен вариант структуры интеллектуальной ИСПР.
Рис.9.6 - Схематическое представление интеллектуальной СПР.
Информационная подсистема состоит из БД, системы управления БД, средств организации запросов, справочника данных, внешних источников данных.
Подсистема управления моделями состоит из базы моделей, системы управления моделями, языков моделирования, справочника моделей и процессора, который осуществляет реализации на модели, интегрирует модели и осуществляет руководство процессом моделирования.
База моделей содержит обычные и специальные статические, финансовые, прогнозирующие, управленческие и другие количественные модели, которые обеспечивают аналитические способности ИСПР. Способность обращаться к моделям, реализовывать их прогоны, вносить изменения, комбинировать и проверять модели являются ключевой способностью ИСПР, которая отличает их от обычных информационных систем.
Модельный процессор обычно реализует следующие действия:
Исполнение модели, т.е. процесс управления текущим прогоном или реализацией модели;
Интеграция модели, т.е. совмещение операций нескольких моделей, когда это необходимо;
Подтверждение и интерпретация инструкций моделирования, поступающих от диалогового компонента системы и проведение их в систему управления моделями.
Пользовательский интерфейс реализует все аспекты коммуникации между пользователем и ИСПР. Он включает не только техническое и программное обеспечение, но также факторы, которые способствуют облегчению использования и доступности человеко-машинных взаимодействий.
Модели в базе моделей могут подразделяться на стратегические, тактические, операционные и составные стандартные блоки моделей.
Функциями системы управления моделями являются создание моделей с использованием стандартных модельных модулей, генерация новых стандартных модулей и отчетов, дополнение и модернизация моделей, их изменения и манипулирование с данными модели.
Подсистема управления знаниями . Многие неструктурированные и слабоструктурированные задачи являются такими сложными, что они требуют для своего решения экспертизы, дополнительно к обычным способностям ИСПР.
Такая экспертиза может быть обеспечена ЭС или другой интеллектуальной системой.
Поэтому большинство первых ИСПР оснащены системной компонентой, называемой управление знаниями. Такая компонента может обеспечить требуемую экспертизу для решения некоторых видов задач и обеспечивать действие других составных частей ИСПР.
Возможны различные способы интеграции интеллектуальных систем, основанных на знаниях, с математическим моделированием.
Например, часто решения, основанные на знаниях, помогают поддерживать шаги в процессе получения решения без математической поддержки; интеллектуальные системы моделирования решений могут помочь пользователям строить, использовать и управлять библиотекой или базой моделей; аналитические ЭС принятия решений могут интегрировать теоретически строгие методы неопределенности в базу знаний ЭС.
Компонента знаний состоит из одной или нескольких интеллектуальных программных составляющих. Как СУБД и система управления моделями, программное обеспечение управления знаниями обеспечивает требуемое исполнение и интеграцию в интеллектуальных системах.
Информационные СПР, которые включают такую составляющую, называются интеллектуальными информационными СПР, интеллектуальными СПР, экспертными СПР, экспертными системами или СПР, базирующимися на знаниях.
Необходимость использования интеллектуальных систем .
Существует множество доводов в пользу того, интеллектуальные системы могут и должны стать важнейшей составной частью в системах принятия и поддержки решений, при управлении сложными объектами в технологии современных производств и решении широкого спектра экономических задач.
Если в качестве примера объекта взять предприятие, то здесь при управлении возникают такие проблемы:
Преодоление сложности (сложности управления возникают тогда, когда приходится делать выбор из множества возможных решений);
Управление предприятием требует организации больших объемов информации;
Как уменьшить информациюдо того уровня, который необходим для принятия решения (потеря информации, поступающей от объектов, работающих в реальном режиме времени, может существенно сказаться на результате);
Нехватка времени на принятие решения (проявляется по мере усложнения производства);
Проблема координации (решения необходимо координировать с другими звеньями процесса или объекта);
Необходимостьсохранения и распространения знаний очень опытных экспертов, полученных ими в процессе многолетней работы и большого практического опыта. Проблема извлечения знаний и их распределения - сегодня одна из главных проблем.
В процессе своей управленческой (а вообще говоря, любой) деятельности человек получает и осознает огромное количество информации. Однако ограниченные возможности человеческого мозга заставляют его осуществлять вербальное перекодирование исходной информации в сгустки насыщенной информации, используя при этом уникальные возможности человеческого языка. Едва ли не все рассуждения человека по своей природе являются приближенными.При этом, используя простые эвристические правила вывода, человек легко справляется с нечеткими рассуждениями.
Специалисты в области ИИ всегда старались разработать программы для компьютеров, которые могли бы в некотором смысле "думать", т.е. решать задачи таким способом, который мы бы сочли разумным, если бы его применил человек.
В процессе исследований и 20-летних поисков они пришли к выводу, что эффективность программы при решении задач зависит от знаний, которыми она обладает, а не только от формализмов и схем вывода, которые она использует. То есть, чтобы сделать программу интеллектуальной, ее нужно снабдить множеством высококачественных специальных знаний о некоторой предметной области.
Понимание этого факта привело к созданию специальных систем, каждая из которых является экспериментом в некоторой узкой предметной области.
Эти программы получили название экспертных систем .
Как уже отмечалось, технологию построения экспертных систем часто называют инженерией знаний. Как правило, этот процесс требует специфической формы взаимодействия создателя экспертной системы, которого называют инженером знаний, и одного или нескольких экспертов в некоторой предметной области. Инженер знаний «извлекает» из экспертов процедуры, стратегии, эмпирические правила, которые они используют при решении задач, и встраивает эти знания в экспертную систему. Одной из наиболее сложных проблем, возникающих при создании экспертных систем, является преобразование знаний эксперта и описания, применяемых им способов поиска решений в форму, позволяющую представить их в базе знаний системы, а затем эффективно использовать для решения задач в данной предметной области.
Обычно эксперт не прибегает к процедурным или количественным методам; его основные средства -- аналогия, интуиция и абстрагирование. Часто эксперт даже не может объяснить, как именно им было найдено решение. В лучшем случае вы получите от него лишь описание основных приемов или эвристик, которые помогли ему успешно справиться с задачей. На инженера знаний возлагается очень сложная работа по преобразованию этих описаний в строгую, полную и непротиворечивую систему, которая позволяла бы решать прикладные задачи не хуже, чем это сделал бы сам эксперт, поскольку процесс построения базы знаний плохо структурирован и по своей природе является скорее циклическим, чем линейным.
Построение базы знаний включает три этапа:
описание предметной области;
выбор модели представления знаний (в случае использования оболочки этот этап исключается);
приобретение знаний.
Первый шаг при построении базы знаний заключается в выделении предметной области, на решение задач из которой ориентирована экспертная система. По сути, эта работа сводится к очерчиванию инженером знаний границ области применения системы и класса решаемых ею задач. При этом необходимо:
определить характер решаемых задач;
выделить объекты предметной области;
установить связи между объектами;
выбрать модель представления знаний;
выявить специфические особенности предметной области.
Инженер знаний должен корректно сформулировать задачу. В то же время он должен уметь распознать, что задача не структурирована, и в этом случае воздержаться от попыток ее формализовать или применить систематические методы решения. Главная цель начального этапа построения базы знаний -- определить, как будет выглядеть описание предметной области на различных уровнях абстракции. Экспертная система включает базу знаний, которая создается путем формализации некоторой предметной области, а та, в свою очередь, является результатом абстрагирования определенных сущностей реального мира.
Выделение предметной области представляет собой первый шаг абстрагирования реального мира.
После того как предметная область выделена, инженер знаний должен ее формально описать. Для этого ему необходимо выбрать какой-либо способ представления знаний о ней (модель представления знаний). Если в качестве инструментального средства определена оболочка (пустая ЭС), то модель представления знаний определяется выбранным средством. Формально инженер знаний должен воспользоваться той моделью, с помощью которой можно лучше всего отобразить специфику предметной области.
Полученная после формализации предметной области база знаний представляет собой результат ее абстрагирования, а предметная область, в свою очередь, была выделена в результате абстрагирования реального мира. Человек обладает способностью работать с предметными областями различных типов, использовать различные модели представления знаний, рассматривать понятия реального мира с различных точек зрения, выполнять абстрагирования различных видов, проводить сопоставление знаний различной природы и прибегать к самым разнообразным методам решения задач. Имеются отдельные примеры совместного использования баз знаний, ориентированных на различные предметные области, но большинство современных систем может решать задачи только из одной предметной области.
Инженер знаний, прежде всего, обязан провести опрос эксперта и только потом приступать к построению системы. Эксперт, безусловно, должен быть специалистом в той области, в которой будет работать система. Первым делом необходимо определить целевое назначение системы. Какие, собственно, задачи предстоит решать системе, основанной на знаниях? Цели разработки системы следует сформулировать точно, полно и непротиворечиво.
После того как цель разработки системы определена, инженер знаний приступает к формулированию подцелей; это поможет ему установить иерархическую структуру системы и разбить ее на модули. Введение тех или иных подцелей обусловливается наличием связей между отдельными фрагментами знаний. Проблема сводится к разбиению задачи на две или несколько подзадач меньшей сложности и последующему поиску их решений. При необходимости полученные в результате разбиения подзадачи могут дробиться и дальше.
Следующий этап построения базы знаний -- выделение объектов предметной области или, в терминах теории систем, установление границ системы. Как и формальная система, совокупность выделенных понятий должна быть точной, полной и непротиворечивой.
Ответы на все перечисленные вопросы позволяют очертить границы исходных данных. Для построения пространства поиска решения необходимо определить подцели на каждом уровне иерархии целей общей задачи. В вершине иерархии следует поместить задачу, которая по своей общности отражает принципиальные возможности и назначение системы.
После выявления объектов предметной области необходимо установить, какие между ними имеются связи. Следует стремиться к выявлению как можно большего количества связей, в идеале -- всех, которые существуют в предметной области.
Полученное качественное описание предметной области, если это необходимо, должно быть представлено средствами какого-либо формального языка, чтобы привести это описание к виду, позволяющему поместить его в базу знаний системы. Для решения этой задачи выбирается подходящая модель представления знаний, с помощью которой сведения о предметной области можно выразить формально.
И, наконец, в предметной области должны быть выявлены специфические особенности, затрудняющие решение прикладных задач. Вид этих особенностей зависит от назначения системы.
Разработку системы, основанной на знаниях, рекомендуется проводить в следующей последовательности:
Выберите задачу, характер которой позволяет применить для ее решения технологии экспертных систем.
Определите точно цель решения задачи.
Вникните как можно глубже в существо задачи.
Установите подцели, разбив задачу на подзадачи.
Выявите специфические особенности предметной области.
Найдите эксперта, специализирующегося в выбранной предметной области, и заручитесь его согласием оказать вам помощь в разработке системы, основанной на знаниях.
Участвуя вместе с экспертом в решении нескольких прикладных задач, выявите приемы, которые он применяет. Подробно их опишите.
Выберите инструментальные средства, необходимые вам для создания системы. Этот выбор будет зависеть от типа решаемой задачи, ваших финансовых возможностей и сложности предметной области.
Постройте лабораторный прототип экспертной системы, позволяющий успешно справиться с примерами тех задач, которые вы решили совместно с экспертом.
Приступите к созданию базы знаний. Выявите объекты предметной области, взаимосвязи между ними, виды иерархий, разбейте объекты на классы. Структурируйте базу знаний в соответствии с представлением эксперта о строении предметной области.
Выполните необходимое число циклов по наращиванию базы знаний, каждый из которых включает добавление знаний, проверку их непротиворечивости и модификацию с целью устранения обнаруженных несогласованностей.
Инженерия знаний
После проектирования базы знаний и разработки соответствующего программного обеспечения либо выбора удовлетворяющего требования готового решения необходимо сформировать базу знаний, наполнив ее знаниями о предметной области, и возможно необходимыми фактами. Этап формирования базы знаний интеллектуальной системы является критическим для функционирования всей системы в целом, так как если реализация влияет на возможные границы способностей системы, то знания системы определяют ее возможности в решении задач предметной области.
Этот этап разработки ИИС называют этапом приобретения знаний. Область деятельности, изучающая проблемы формирования и наполнения баз знаний, получила название инженерия знаний.
Инженерия знания - достаточно молодое направление искусственного интеллекта, появившееся тогда, когда практические разработчики столкнулись с весьма нетривиальными проблемами трудности «добычи» и формализации знаний. В первых книгах по ИИ эти факты обычно только постулировались, в дальнейшем начались серьезные исследования по выявлению оптимальных стратегий выявления знаний. Исследования привели к возникновению дисциплины инженерии знаний, и появлению новой специальности - инженера по знаниям, или специалиста, владеющего теоретическими знаниями и практическими приемами построения интеллектуальных систем, а главное, обученного способам формирования баз знаний интеллектуальных систем.
Предметные знания интеллектуальной системы могут быть взяты из многих источников, ноо главный источник знаний современных ИИС - это специалист-эксперт в предметной области. Инженер знаний обычно получает знания, непосредственно взаимодействуя с экспертом. Этот процесс состоит из продолжительной серии напряженных, систематических интервью, обычно продолжающихся в течение многих месяцев. Во время бесед инженер знаний дает эксперту для решения задачи, близкие к реальным и того же типа, на решение которых ориентируется создаваемая экспертная система. Инженер знаний должен работать с экспертом, наблюдая, как он решает конкретные задачи. Редко оказывается эффективным подход, при котором эксперту напрямую задаются вопросы о его правилах или методах решения конкретного класса задач в его области компетентности. Эксперты обычно испытывают большие трудности при формулировании таких правил.
Представляется, что «эксперты» имеют тенденцию формулировать свои заключения и то, как они пришли к ним, в общих выражениях, которые слишком широки и расплывчаты для эффективного анализа на ЭВМ. Предпочтительнее, чтобы ЭВМ работала на более конкретном уровне, имея дело с четко определенными порциями исходной информации, которые могут быть встроены в более сложные суждения. Но эксперт редко работает на таком конкретном уровне. Он быстро делает сложные выводы, не утруждая себя тщательным анализом и формулированием каждого шага своего процесса рассуждения. Порции исходных знаний являются неявными допущениями, и они компонуются друг с другом так быстро, что эксперту трудно описать этот процесс. Когда он анализирует проблему, он не может легко описать каждый шаг и он может даже не иметь представления о тех отдельных шагах, которые были сделаны для нахождения решения. Он может приписать интуиции или назвать предчувствием то, что оказывается результатом очень сложного логического процесса, основанного на огромном количестве удерживаемых в его памяти данных и богатой практике. В последующем, объясняя свое заключение или предчувствие, он будет повторять только основные шаги, часто опуская большинство мелких шагов, которые могли показаться ему очевидными в то время. Знание о том, что считать основным и относящимся к делу и не требующим дальнейшей переоценки - вот что делает специалиста «экспертом». Этот аспект природы эксперта несколько необычен. На практике он называется парадоксом экспертизы. В контексте разработки интеллектуальных систем мы будем называть его парадоксом инженерии знаний:
Чем более компетентными становятся эксперты, тем менее способны они описать те знания, которые они используют для решения задач!
Хуже того, исследования показали, что когда эксперты пытаются объяснить, как они пришли к заключению, они часто выстраивают правдоподобные линии рассуждения, которые, однако, мало похожи на их действительное поведение при решении задач. Эта особенность имеет два важных следствия. Вот первое из них:
эксперты нуждаются в посторонней помощи, направленной на то, чтобы прояснить и сделать явным их способ мышления и решения задач. Высказанное можно сформулировать в виде следующего эмпирического правила - не будьте своим собственным экспертом!
Второе эвристическое правило, обращенное к инженеру знаний:
Не верьте всему, что говорят эксперты!
Опытные инженеры знаний развивают рабочие гипотезы, основанные на том, что говорят эксперты, и проверяют эти гипотезы на правильность и непротиворечивость, предлагая экспертам решать новые проблемы, требующие предполагаемых (согласно гипотезе) знаний. Инженер знаний считает, что он или она получили законное экспертное правило не потому, что эксперт ручается за точность правила, а потому, что эксперт демонстрирует применение этого правила при решении задачи.
Иногда поведение экспертов выглядит скорее интуитивным, чем рассудочным. Дело в том, что значительный объем знаний является важнейшей предпосылкой мастерства эксперта. Однако знания эксперта - не просто неупорядоченный свод фактов. Большое число образцов-шаблонов ситуаций служат указателями, помогающими эксперту в долю секунды обратиться к нужным частям его запасов знаний. Эта способность использовать шаблоны для управления процессом интерпретации и решения, возможно, и составляет значительную часть того, что мы называем физической интуицией.
Более того, эксперт может применять совершенно разные методы работы и методики в разных нестандартных ситуациях, и сознательно выделить критерии использования различных методик необычайно трудно.
Терминология инженерии знаний
Поле знаний - это условное неформальное описание основных понятий и взаимосвязей между понятиями предметной области, выявленных из системы знаний эксперта, в виде графа, диаграммы, таблицы или текста .
Поле знаний, как первый шаг к формализации, представляет модель знаний о предметной области, в том виде, в каком ее сумел выразить эксперт на некотором «своем» языке. Проблемы адекватного формирования языка для описания предметной области мы в данном курсе рассматривать не будем. Хорошим источником специальной информации по этой теме служит .
Поле знаний служит ключевым средством для последующего построения модели предметной области в базе знаний.
Для названия процесса получения знаний (вида выбираемой при этом стратегии) в литературе получило распространение несколько терминов: приобретение, добыча, извлечение, получение, выявление, формирование знаний. В англоязычной специальной литературе в основном используются два: acquisition (приобретение) и elicitation (выявление, извлечение, установление).
Термин «приобретение» трактуется либо очень широко - тогда он включает весь процесс передачи знаний от эксперта к базе знаний ЭС, либо уже как способ автоматизированного построения базы знаний посредством диалога эксперта и специальной программы (при этом структура поля знаний заранее закладывается в программу). В обоих случаях термин «приобретение» не касается самого таинства экстрагирования структуры знаний из потока информации о предметной области. Этот процесс описывается понятием «извлечение».
Извлечение знаний (knowledge elicitation) - это процедура взаимодействия эксперта с источником знаний, в результате которой становятся явными процесс рассуждений специалистов при принятии решения и структура их представлений о предметной области.
Приобретение знаний (knowledge acquisition) - процесс наполнения базы знаний экспертом с использованием специализированных программных средств (прямое взаимодействие ИИС с экспертом).
Термин формирование знаний традиционно закрепился за чрезвычайно перспективной и активно развивающейся областью инженерии знаний, которая занимается разработкой моделей, методов и алгоритмов обучения. Она включает индуктивные модели формирования знаний и автоматического порождения гипотез на основе обучающих выборок, обучение по аналогии и другие методы. Эти модели позволяют выявить причинно-следственные эмпирические зависимости в базах данных с неполной информацией, содержащих структурированные числовые и символьные объекты (часто в условиях неполноты информации).
Формирование знаний (machine learning) - процесс анализа данных и выявление скрытых закономерностей с использованием специального математического аппарата и программных средств.
Методы получения знаний
Инженерия знаний предлагает определенные методы (приемы, способы),работы с экспертами.
Классификация методов работы с экспертами
Под коммуникативными методами понимают все виды контактов инженера по знаниям с живым источником знаний - экспертом. Среди этих методов выделяют две большие группы: активные и пассивные.
Пассивные методы подразумевают, что ведущая роль в процедуре извлечения знаний принадлежит эксперту. При этом инженер по знаниям главным образом протоколирует рассуждения и действия эксперта.
В активных методах инициатива полностью в руках инженера по знаниям. Он ведет с экспертом беседу, предлагает различные «Игры», организует «круглый стол» и т. д.
Пассивные методы на первый взгляд просты. Вместе с тем, они требуют от инженера по знаниям умения анализировать «поток сознания» эксперта и выделять в нем ценные фрагменты знания.
Активные методы разделяют на две группы в зависимости от числа экспертов, участвующих в процедуре извлечения знаний - В групповых методах большое значение имеет дискуссия между экспертами, в которой нередко выявляются нетривиальные аспекты знаний. В то же время, ведущую роль на сегодняшний день играют индивидуальные методы. В значительной степени это связано с деликатностью процедуры «отъема знаний».
Рис. 1.31. Классификация методов работы с экспертами
Пассивные методы
Наблюдения
Метод наблюдения является единственным «чистым» методом, где инженер по знаниям не вмешивается в процесс работы эксперта и не навязывает ему какие-либо собственные представления. Выделяют две разновидности наблюдений:
· Наблюдение за реальным процессом.
· Наблюдение за имитацией процесса.
Сначала обычно применяют первую разновидность и наблюдают за реальным процессом на рабочем месте эксперта. Это помогает глубже понять предметную область и отметить все внешние особенности процедуры принятия решений, необходимые для проектирования интерфейса пользователя.
На втором этапе эксперт имитирует процесс. В таком режиме он менее напряжен и работает на «два фронта» - ведет профессиональную деятельность и одновременно демонстрирует ее.
Сеансы наблюдений предъявляют к инженеру по знаниям следующие требования:
· Владение техникой стенографии.
· Знакомство с методиками хронометрирования для четкого структурирования производственного процесса во времени.
· Развитые навыки «чтения по глазам», то есть наблюдательность к жестам, мимике и другим невербальным компонентам общения.
· Предварительное знакомство с предметной областью.
Протоколы наблюдений после проведения сеансов тщательно расшифровываются, а затем обсуждаются с экспертом.
Анализ протоколов «мыслей вслух»
При протоколировании «мыслей вслух» эксперта просят раскрыть всю цепочку рассуждений, объясняющих его действия и решения. При таком протоколировании считается важным зафиксировать не только весь «поток сознания» эксперта, но даже паузы и междометия в речи эксперта. Иногда данный метод называют «вербальными отчетами».
При протоколировании «мыслей вслух» эксперт может проявить себя максимально ярко. Он ничем не скован, ему никто не мешает, он как бы свободно парит в потоке собственных рассуждений и умозаключений, может блеснуть своей эрудицией и продемонстрировать глубину познаний. Для большого числа экспертов это самый приятный и лестный способ извлечения знаний.
Вместе с тем, как отмечалось выше, далеко не каждый специалист, даже из числа умеющих произносить впечатляющие монологи о своей работе, оказывается в состоянии формализовать и структурировать рассуждения. Однако существуют люди, склонные к рефлексии, способные к конструктивному изложению мыслей. Такие люди - находка для инженера по знаниям.
Лекторский дар встречается нечасто. Опытный лектор хорошо структурирует свои знания и ход рассуждений. Но бывает, некоторые люди обладают лекторским
даром, но не подозревают о его присутствии. В любом случае инженеру па знаниям стоит попробовать озадачить эксперта подготовкой лекции на интересующую тему. Если эксперт сумеет преодолеть специфический психологический барьер и войти в образ педагога, это может оказаться весьма эффективным для решения задачи извлечения знаний.
Хороший вопрос инженера по знаниям по ходу лекции имеет важное значение. Серьезные, глубокие и интересные вопросы, с одной стороны, стимулируют творческое воображение лектора, и с другой - повышают авторитет инженера по знаниям.
Метод извлечения знаний в форме лекций, как и все пассивные методы, применяют в начале многоэтапной процедуры извлечения знаний из памяти эксперта. Он способствует быстрому погружению инженера по знаниям в предметную область.
Активные индивидуальные методы
Анкетирование
Анкетирование является наиболее стандартизированным методом. Составление анкеты - достаточно тонкий и ответственный момент. Вот несколько рекомендаций:
· анкета не должна быть монотонной и однообразной, чтобы не вызывать скуку и усталость. Для этого вопросы должны варьироваться, тематика меняться. Кроме того, нередко в анкету вставляют специальные вопросы-шутки и игровые вопросы;
· анкета должна быть приспособлена к языку экспертов;
· следует учитывать, что вопросы влияют друг на друга. Поэтому последовательность вопросов должна быть хорошо продумана;
· анкета должна иметь «хорошие манеры». Ее нужно излагать ясным, понятным и предельно вежливым языком. Методическим мастерством составления анкеты можно овладеть только на практике.
Процедура анкетирования может проводиться двумя способами, В первом аналитик вслух задает вопросы и сам заполняет анкету по ответам эксперта. Во втором эксперт заполняет анкету Самостоятельно после предварительного инструктирования.
Выбор способа зависит от ряда условий (в частности от оформления анкеты, ее понятности, готовности эксперта). Вместе с тем, второй способ представляется предпочтительным, так как у эксперта появляется неограниченное время на обдумывание вопросов и снижается так называемый эффект присутствия.
Интервью
Перед проведением интервью неплохо спросить себя: «А умеем ли мы задавать вопросы?» Рассмотрим классификацию вопросов.
Рис.1.32. Классификация вопросов
Открытый вопрос обозначает тему или предмет, предоставляя эксперту свободу по форме и содержанию ответа.
При закрытом вопросе эксперту предлагается набор ответов, среди которых он должен сделать выбор.
Закрытые вопросы легче обрабатываются, но они в определенной мере «программируют» ответ эксперта и «закрывают» ход его рассуждений. Поэтому при составлении сценария интервью обычно чередуют открытые и закрытые вопросы и особенно тщательно продумывают «меню» и содержание закрытых вопросов.
Личный вопрос апеллирует к индивидуальному опыту эксперта. Личные вопросы обычно активизируют мышление эксперта, «играют» на его самолюбии, украшают интервью.
Безличный вопрос нацелен на выявление наиболее распространенных и общепринятых закономерностей предметной области.
При подготовке вопросов учитывают, что языковые возможности эксперта, как правило, ограничены. Кроме того, имеют в виду, что из-за замкнутости, скованности и робости отдельные эксперты не могут сразу высказать свое мнение и предоставить требуемые знания. Поэтому часто используют не прямые вопросы, которые непосредственно указывают на предмет или тему, а косвенные, опосредованно направляющие внимание на актуальную проблему. Иногда в интересах дела приходится задавать несколько косвенных вопросов вместо одного прямого.
Вербальные вопросы - это традиционные устные вопросы.
Вопросы с использованием наглядного материала разнообразят интервью и снижают утомляемость эксперта. В качестве наглядного материала используют фотографии, рисунки и карточки.
Разделение вопросов по функции на основные, зондирующие и контрольные связано с тем, что нередко эксперт по каким-то причинам уходит в сторону от вопроса и основные вопросы интервью оказываются непродуктивными. Тогда аналитик применяет зондирующие вопросы, концентрирующие внимание эксперта в нужном направлении. Контрольные вопросы используют для проверки достоверности и объективности полученной информации.
Нейтральные вопросы носят беспристрастный характер. В то же время, наводящие вопросы заставляют эксперта прислушаться или даже принять во внимание позицию интервьюера.
Кроме приведенных в классификации, полезно различать и включать в интервью следующие виды вопросов:
· контактные («ломающие лед» между аналитиком и экспертом); О буферные (для разграничения различных тем интервью);
· оживляющие память экспертов (для реконструкции отдельных случаев из практики);
· «провоцирующие» (для получения спонтанных, неподготовленных ответов).
Свободный диалог
При свободном диалоге инженера по знаниям с экспертом отсутствует какой-либо регламентированный план. Однако эта форма извлечения знаний требует самой серьезной предварительной подготовки.
Рис. 1.33. Схема подготовки к интервью и свободному диалогу
Квалифицированная подготовка к диалогу - подлинная драматургия. В ее сценарии предусматривают плавное развитие процедуры извлечения знаний от приятного впечатления в начале беседы к профессиональному контакту через пробуждение интереса и завоевание доверия эксперта.
Для обеспечения желания эксперта продолжать беседу обычно производят «поглаживания» типа: «Я Вас понимаю...», «...Это очень интересно» и т. п. При этом поведение аналитика должно быть искренним, ведь давно известно, что лучшая уловка - избегать всяких уловок и относиться к собеседнику с истинным уважением и настоящим интересом.
Существует каталог свойств идеального интервьюера: «Он должен выглядеть здоровым, спокойным, уверенным, внушать доверие, быть искренним, веселым, проявлять интерес к беседе, быть опрятно одетым, ухоженным».
Игры с экспертом
В играх с экспертом инженер по знаниям берет на себя какую-либо роль в моделируемой ситуации. Например, это может быть роль Ученика, который на глазах у эксперта (Учителя), поправляющего Ученика, выполняет работу на заданную тему. Такая игра - хороший способ разговорить застенчивого эксперта.
Другой пример - игра в Специалиста (инженер по знаниям) и Консультанта (эксперт). Эта игра дает иногда впечатляющие результаты. приведем пример из классической литературы. Эксперт выступал в роли врача, хорошо знающего больного, а консультант задавал вопросы и делал прогноз о целесообразности применения того или иного вида лечения. Такая игра позволила установить, что требуется всего 30 вопросов для успешного прогноза, в то время как первоначальный вариант вопросника, составленного медиками, содержал 170 вопросов.
Для выявления скрытых пластов знания применяется игра, в которой специалист делает прогнозы в профессиональных ситуациях и дает им обоснования. Затем по истечении определенного времени специалисту предъявляют его собственные обоснования и просят произвести по ним прогнозы. Как оказывается, такой простой прием нередко позволяет обнаружить пропущенные шаги в рассуждениях эксперта.
В игре «фокусировка на контексте» эксперт выполняет роль экспертной системы, а инженер по знаниям - роль пользователя. Моделируется ситуация консультации. Первые реакции эксперта концентрируются вокруг наиболее значимых понятий и самых важных аспектов проблемы.
В целом по играм с экспертом даются следующие основные советы инженеру по знаниям:
· Играйте смелее, придумывайте игры сами.
· Не навязывайте игру эксперту, если он не расположен.
· Не «давите» на эксперта, не забывайте цели игры.
· Не забывайте о времени и о том, что игра утомительна для эксперта.
· Играйте весело, нешаблонно.
Активные групповые методы
Активные групповые методы сами по себе не могут служить источником более или менее полного, знания. Они выступают как дополнительные и служат хорошим дополнением к индивидуальным методам извлечения знаний, активизирующим мышление и поведение экспертов.
«Круглый стол»
Метод круглого стола предполагает равноправное обсуждение интересующей проблемы несколькими экспертами. Задача дискуссии - коллективно, с разных точек зрения, под разными углами исследовать спорные проблемы предметной области. Для остроты на «круглый стол» приглашают представителей различных научных направлений и поколений. Число участников дискуссии обычно колеблется от трех до пяти-семи.
Перед началом дискуссии ведущему (инженеру по знаниям) необходимо убедиться, что все участники правильно понимают задачу. Затем нужно установить регламент и четко сформулировать тему.
По ходу дискуссии важно проследить, чтобы слишком эмоциональные и разговорчивые эксперты не подменяли тему и чтобы критика позиций друг друга была обоснованной. Определенные усилия ведущий должен приложить для уменьшения «эффекта фасада», когда у участников превалирует желание произвести впечатление на других и они говорят совсем не то, что сказали бы в нормальной обстановке.
«Мозговой штурм»
«Мозговой штурм» или «мозговая атака» - один из наиболее популярных методов раскрепощения и активизации человеческого мышления. Впервые этот метод был использован в 1939 году А. Осборном в США для генерации новых идей.
Основное положение штурма - отделение процедуры генерации идей в замкнутой группе специалистов от процесса их анализа и оценки. Обычная продолжительность штурма - порядка 40 минут. Количество участников - до 10 человек. Этим участникам предлагается высказать на заданную тему любые мысли, в том числе шутливые, фантастические и ошибочные. Критика запрещена. Регламент - до 2 минут на выступление.
Из опыта известно, что число высказанных идей Часто превышает 50. Наиболее существенный момент штурма - наступление пика (ажиотажа), когда идеи начинают буквально «фонтанировать». Последующий анализ, который проводит группа сторонних экспертов, как правило, показывает, что всего лишь 10-15 % идей разумны, но среди них встречаются весьма оригинальные.
Искусство инженера по знаниям, проводящего «мозговой штурм», заключается в способности задавать вопросы аудитории, «подогревая» аудиторию. Вопросы служат своеобразным «крючком», которым извлекаются идеи.
Ролевые игры в группе
В каждой групповой игре заранее составляется сценарий, распределяются роли, готовятся портреты-описания ролей и разрабатывается система оценивания игроков.
Известны различные способы проведения ролевых игр. В одних играх участники придумывают себе новые имена и выступают под ними. В других все игроки переходят на «ты». В третьих роли выбирают игроки, в четвертых для распределения ролей вытягивается жребий.
Обычно в игре, предназначенной для получения знания, принимают участие от трех до шести экспертов: В случае большего числа экспертов они разбиваются на группы, между которыми организуется состязание: чей диагноз окажется ближе к истинному, чей план рациональнее использует ресурсы, кто быстрее определит неисправность в техническом блоке и т. п.
Создание игровой обстановки требует фантазии и выдумки от инженера по знаниям. Главное, чтобы эксперты в игре максимально погрузилась в ситуацию, действительно «заиграли», раскрепостились и «раскрыли свои карты».
Требования и инженеру по знаниям
Завершая сжатое рассмотрение на самом деле обширной области инженерии знаний отметим ряд основных требований к инженеру по знаниям.
· Инженер по знаниям должен иметь хорошую теоретическую подготовку в области моделей представления знаний, с тем чтобы оптимально выбирать и спользовать возможности моделей представления знаний для решения посталенной задачи.
· Хотя это не было ранее сформулировано явно, но из изложения материала понятно, что инженер по знаниям должен обладать отличными коммуникационными навыками и иметь некоторые познания в области психологии общения с тем, чтобы продуктивно работать с экспертами.
· Инженер по знаниям должен обладать системным мышлением и владеть методами анализа предметной области, методами когнитивной психологии.
· Иметь комплексную общенаучную подготовку и свободно владеть методами научного исследования, формальными методами описания и документирования.
· Свободно ориентироваться в области информационных технологий.
Роль инженера по знаниям при разработке интеллектуальных информационных систем часто является ключевой для успеха проекта системы. Как правило инженерами по знаниям становятся специалисты – разработчики программного обеспечения и аналитики, обладающие необходимыми навыками и склонностями. Отметим в заключение, что роль инженера по знаниям во многом схожа с функциями аналитиков и специалистов по внедрению при разработке обычных информационных систем.
Стратегии поиска в СОЗ
Похожая информация.
Усилия исследователей в области инженерии знаний направлены на создание формальных методов извлечения знаний . К их числу можно отнести метод автоматической обработки текстов на основе статистической обработки семантических единиц. Метод и программные средства автоматизированного извлечения знаний из текстов базируются на формальных процедурах обнаружения в текстах семантических единиц различной выраженности.
Для создания экспертной системы нужен собственно эксперт, источник знаний в какой-либо узкой предметной области , и универсальный инженер знаний. Инженер знаний опрашивает эксперта, формализует его знания и создаёт модель предметной области . Модель затем вводится в компьютер, и проигрываются всевозможные варианты.
Как уже отмечалось, технологию построения экспертных систем часто называют инженерией знаний. Как правило, этот процесс требует специфической формы взаимодействия создателя экспертной системы предметной области . Инженер знаний извлекает из экспертов процедуры, стратегии, эмпирические правила, которые они используют при решении задач , и встраивает эти знания в экспертную систему. Одной из наиболее сложных проблем, возникающих при создании экспертных систем, является преобразование знаний эксперта и описания применяемых им способов поиска решений в форму, позволяющую представить их в базе знаний системы, а затем эффективно использовать для решения задач в данной предметной области.
Обычно эксперт не прибегает к процедурным или количественным методам его основные средства - аналогия, интуиция и абстрагирование. Часто эксперт даже не может объяснить, как именно им было найдено решение. В лучшем случае вы получите от него лишь описание основных приемов или эвристик, которые помогли ему успешно справиться с задачей. На инженера знаний возлагается очень сложная работа по преобразованию этих описаний в строгую, полную и непротиворечивую систему, которая позволяла бы решать прикладные задачи не хуже, чем это сделал бы сам эксперт, поскольку процесс построения базы знаний плохо структурирован и по своей природе является скорее циклическим, чем линейным.
Инженер знаний должен корректно сформулировать задачу. В то же время он должен уметь распознать, что задача не структурирована, и в этом случае воздержаться от попыток ее формализовать или применить систематические методы решения . Главная цель начального этапа построения базы знаний - определить, как будет выглядеть описание предметной области на различных уровнях абстракции. Экспертная система включает базу знаний , которая создается путем формализации некоторой предметной области , а та, в свою очередь, является результатом абстрагирования определенных сущностей реального мира.
Инженер знаний прежде всего обязан провести опрос эксперта и только потом приступать к построению системы. Эксперт, безусловно, должен быть специалистом в той области, в которой будет работать система . Первым делом необходимо определить целевое назначение системы. Какие, собственно, задачи предстоит решать системе, основанной на знаниях Цели разработки системы следует сформулировать точно, полно и непротиворечиво.
Процесс приобретения знаний - наиболее сложный этап разработки экспертной системы , поскольку инженер знаний (программист) плохо разбирается в предметной области , а эксперт не знает программирования. В связи с этим лексика, используемая экспертом, не понятна инженеру знаний, и чтобы уточнить все вопросы, требуется совместная работа эксперта и инженера знаний. Одна из наиболее сложных задач инженера знаний - помочь эксперту структурировать знания о проблеме. " "...
В выполнении всех задач, возникающих в процессе приобретения знаний, могут принимать участие эксперт, инженер знаний и экспертная система . В зависимости от того, кто выполняет задачу, можно выделить различные модели приобретения знаний.
Последующие разработки систем искусственного интеллекта основывались на отделении знаний от программ и оформлении знаний в виде простых информационных структур , называемых базами знаний . В этом случае эксперт взаимодействует с системой либо непосредственно, либо через инженера знаний.
Эксперт, имеющий минимальные знания в области программирования, может взаимодействовать с экспертной системой через интеллектуальный редактор, без посредничества инженера знаний.
Перед тем как приступить к разработке ЭС, инженер по знаниям должен рассмотреть вопрос, следует ли разрабатывать ЭС для данного приложения. В обобщенном виде ответ может быть таким использовать ЭС следует в том случае, когда разработка ЭС возможна, оправдана и методы инженерии знаний соответствуют решаемой задаче.
Прототип должен продемонстрировать пригодность методов инженерии знаний для данного приложения. В случае успеха эксперт с помощью инженера по знаниям расширяет знания прототипа о проблемной области. При неудаче может потребоваться разработка нового прототипа или разработчики могут прийти к выводу о непригодности методов инженерии знаний для данного приложения.
Уровень технологии любого производства оказывает решающее влияние на экономические показатели (прибыль, рентабельность продукции , издержки производства и др). Поэтому экономисту необходимы достаточные знания современных технологических процессов , а инженеру - знания в области экономики.
Выполнение этих требований позволяет упростить механизм логического вывода и процессы приобретения знаний и управления ими, однако, как правило, создателям интеллектуальной системы приходится идти на некоторый компромисс в стремлении обеспечить одинаковое понимание знаний и экспертами, и инженерами знаний, и пользователями.
Компонент приобретения знаний предназначен для обеспечения работы инженера знаний по созданию и поддержанию модели знаний , адекватной реальной предметной области (генерации БЗн, ее тестирования, пополнения новыми знаниями , исключения неверных (ставших таковыми) знаний и т. п.).
В психологии, инженерии знаний разработаны приемы, большинство из которых, за исключением аппаратурных методик, вполне доступны. Познакомимся с конкретными приемами выявления стереотипов Клиентов.
Одной из ключевых проблем создания систем ИИ является проблема представления и использования знаний о той предметной области , в которой система решает те или иные задачи. Общий круг задач, решаемых в этой связи, относится к разделу ИИ, называемому инженерией знаний. База знаний является важным элементом любой системы управления . Идея баз знаний сформировалась в ходе исследований по созданию принципов и методов работы с большими базами данных. Оказалось, что эффективность использования баз данных может быть существенно повышена, если связывать хранящуюся информацию не только за счет форм (таблиц, списков, деревьев), а за счет тех отношений, которые существуют между фактами. Причем, отношения эти должны быть не случайными, ситуативными, а отражать существенные связи объекта. Такие базы данных получили название интеллектуальных баз данных или баз знаний.
К примеру, инженеры знаний (люди, которые осуществляют опрос экспертов и переводят их экспертизу в искусственный интеллект - компьютерную программу экспертной системы) сегодня составляют менее 1% сотрудников в сфере обработки данных, однако предполагается, что после 2000 г. они займут до 20% рабочих мест по обработке данных. Исследование компетенций может показать, что лучшие инженеры знаний обладают более высоким уровнем когнитивных компетенций, таких как опознавание модели , концептуализация и аналитическое мышление (способность распознавать и формулировать алгоритмы решения задачи эта способность используется экспертами в компьютерных программируемых правилах типа если- то) и навыки межличностного интервьюирования, нужные для установления взаимопонимания и выслушивания экспертов по теме.8 Эти данные предлагают критерии отбора и тренинга для персонала, занимающегося обработкой данных, который будут набирать и развивать в течение следующей декады.
В будущем исследование компетенций будет все больше напоминать инженерию знаний процесс определения хода мысли людей-экспертов, чтобы на их основе разработать компьютерные экспертные системы.5
Эти проблемы преодолеваются с помощью методов инженерии знаний (гл. 9). Благодаря им можно непосредственно представлять в моделях плохо формализуемые знания менеджеров о бизнес-процессах , в частности рабочих процедурах. Кроме того, решается проблема быстрой разработки приложений и создания интеллекту-
Чтобы преодолеть эти проблемы, в настоящее время начинают использовать методы инженерии знаний. С их помощью можно непосредственно представлять в моделях плохо формализуемые знания менеджеров о бизнес-процессах , в частности рабочих процедурах. Кроме того, решается проблема создания интеллектуального интерфейса конечного пользователя со сложными средствами анализа моделей.
Его основатели - Марвин Минский и Эдвард Фейгенбаум посчитали излишней апелляцию к архитектуре мозга его нейронным структурам и декларировали необходимость моделирования работы человека со знаниями. Тем самым, поставив в центр внимания операции с формальнологическими языковыми структурами, они заведомо выбрали ориентацию на имитацию обработки информации левым полушарием мозга человека . Системы обработки таких формализованных знаний были названы экспертными, поскольку они должны были воспроизводить ход логических рассуждений эксперта (высокопрофессионального специалиста) в конкретной предметной области . Эти рассуждения проводятся с использованием правил вывода, которые инженер знаний должен извлечь у эксперта.
Технологию построения экспертных систем называют инженерией знаний. Этот процесс требует специфической формы взаимодействия создателя экспертной системы , которого называют инженером знаний, и одного или нескольких экспертов в некоторой предметной области . Инженер знаний извлекает из экспертов процедуры, стра-