по дисциплине «Инструментальные средства информационных
advertisement
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ СТАВРОПОЛЬСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ Экономический факультет УТВЕРЖДАЮ Заведующий кафедрой ________________________ «___»_____________201_ г. ЛЕКЦИЯ № 11 по дисциплине «Инструментальные средства информационных систем» Экспертные информационные системы для студентов направления 230400.62 «Информационные системы и технологии» шифр Наименование направления (специальности) Рассмотрено УМК " " ___________ 201_ года протокол N ______________ Ставрополь – 201_ г. 1 1. 2. 3. Учебные и воспитательные цели: Сформировать информационно-наглядное представление об экспертных системах. Показать место дисциплины в подготовке по направлению «Информационные системы и технологии». Охарактеризовать структуру и функции экспертных систем. Учебные вопросы: 1. Структура экспертных систем 2. Классификация экспертных систем 3. Свойства экспертной системы Введение Система является интеллектуальной, если же она владеет познаниями и может применять их для достижения сформулированной цели. Знания – это то, без чего нет интеллектуальной системы. Экспертные системы появились первыми действительно интеллектуальными системами и, в конечном счете, интеллектуальность определила их торговый фурор. Разработки универсальных программ, использующих общие способы решения широкого класса задач, немаловажных практических итогов не принесли, но возникло сознание последней ограниченности внедрения формально-математических способов в данной области. В 70-е годы была изобретена и принята принципиально новая теория: чтобы сделать систему интеллектуальной, ее необходимо обеспечить множеством качественных особых познаний о некой предметной области. Процесс создания экспертных систем на первых шагах содержится в специфичном содействии эксперта( профессионалов) и инженера по познаниям с целью " извлечения " из эксперта и встраивания в систему процедур, стратегий эмпирических правил, какие он употребляет для решения задач. Эксперт – это человек, который благодаря обучению и опыту может делать то, что мы все, другие люди делать не умеем; эксперты работают не элементарно мастерски, но скоро и отлично. Они отлично могут узнавать в дилеммах, с которыми сталкиваются, образцы тех типовых проблем, с которыми они уже знакомы. Очень принципиально выделить, что специалист обязан не лишь знать, но и мочь. Именно этим свойством различаются базы данных от баз познаний – базы познаний функциональны. 1. Структура экспертных систем 2 Экспертные системы как отдельное направленность выделилось из всеобщего русла исследований по искусственному интеллекту в начале 80-х г. Основным предметом изучений новейшего направленности являются познания – их приобретение, представление и внедрение. Специалисты, работающие в данной области, все чаще употребляют для ее названия термин " инженерия знаний ". Очень весомым различием экспертных систем от классических программ, работа которых базирована на четких данных, является то, что экспертные системы имеют все шансы заблуждаться. Причина ошибок лежит в том, что познания профессионалов, как и познания, заложенные в экспертные системы, не точны. Важно, по крайней мере, чтоб экспертные системы заблуждались не чаще, чем заблуждается человек-эксперт. Экспертная система – это вычислительная система, в которую включены знания профессионалов о некой узкой предметной области в форме базы знаний. Экспертные системы обязаны мочь воспринимать решения вместо специалиста в данной предметной области. Характерными чертами экспертной системы являются: точная ограниченность предметной области; способность воспринимать решения в критериях неопределенности; способность разъяснять ход и итог решения понятным для юзера методом; точное деление декларативных и процедурных знаний; способность наполнять основание знаний, вероятность наращивания системы; итог выдается в облике конкретных советов для действий в сформировавшейся ситуации, не уступающих решениям наилучших профессионалов; ориентация на заключение неформализованных задач; метод решения не описывается заблаговременно, а основывается самой экспертной системой; неимение гарантии нахождения рационального решения с возможностью обучаться на ошибках. Экспертные системы используются для решения лишь тяжелых практических( не игрушечных) задач. По качеству и эффективности решения экспертные системы не уступают решениям эксперта-человека. Решения экспертных систем обладают прозрачностью, т. е. имеют все шансы, быть объяснены пользователю на высококачественном уровне( в отличие от решений, полученных с поддержкой числовых алгоритмов, и в индивидуальности от решений приобретенных статистическими способами). Это свойство экспертных систем гарантируется их возможностью рассуждать о собственных знаниях и умозаключениях. Экспертные системы способны наполнять свои познания в ходе взаимодействия с экспертом. Необходимо подметить, что разработка экспертных систем используется для решения 3 разных задач типа интерпретация, предсказание, диагностика, планирование, проектирование, контроль, отладка, инструктаж, управление. Экспертные системы - это направленность изучений в области искусственного разума по созданию вычислительных систем, умеющих принимать решения, идентичные с решениями профессионалов в данной предметной области. Системы имеют одно огромное различие от остальных систем искусственного разума: они не предусмотрены для решения каких-либо универсальных задач, как к примеру нейронные сети или генетические методы. Экспертные системы предусмотрены для высококачественного решения задач в определенной разработчиками области, в редких случаях – областях. Экспертное знание – это сочетание теоретического осмысливания проблемы и практических навыков ее решения, эффективность которых подтверждена в итоге практической деятельности профессионалов в предоставленной области. Фундаментом экспертной системы любого типа является основа знаний, которая составляется на базе экспертных знаний профессионалов. Правильно избранный эксперт и успешная формализация его познаний дозволяет одарить экспертную систему неповторимыми и ценными знаниями. Врач, к образцу, отлично диагностирует заболевания и отлично назначает лечение, не потому, что он владеет некоторыми врожденными возможностями, а поэтому что имеет высококачественное медицинское образование и большой опыт в лечении собственных пациентов. Поэтому важность всей экспертной системы как оконченного продукта на 90% определяется качеством сделанной базы знаний. Экспертная система – это не обычная программа, которая пишется одним или несколькими программистами. Она является плодом общей работы профессионалов в предоставленной предметной области, инженеров по знаниям и программистов. Но стоит подметить, что встречаются случаи, когда программки пишутся самими экспертами в предоставленной области. Сейчас развитие экспертных систем несколько приостановилось, и этому имеется ряд обстоятельств: Передача экспертным системам " глубочайших " знаний о предметной области является большой неувязкой. Как правило, это является следствием трудности формализации эвристических знаний профессионалов. Экспертные системы неспособны дать осознанные разъяснения собственных размышлений, как это делает человек. Как правило, экспертные системы только только обрисовывают последовательность шагов, предпринятых в процессе поиска решения. Отладка и тестирование хоть какой компьютерной программы является довольно трудозатратным занятием, но испытывать экспертные системы в особенности тяжко. Это является серьезной проблемой, так как экспертные системы используются в таких критичных областях, как 4 управление воздушным и железнодорожным движением, системами оружия и в ядерной индустрии. Экспертные системы владеют еще одним огромным недостатком: они неспособны к самообучению. Для того, чтоб поддерживать экспертные системы в актуальном состоянии нужно постоянное вмешательство в базу знаний инженеров по знаниям. Экспертные системы, лишенные помощи со стороны разработчиков, скоро утрачивают свою востребованность. Однако стоит подметить, что невзирая на все эти ограничения и недочеты, экспертные системы уже доказали всю свою важность и значимость во почти всех важных приложениях. Структура экспертных систем Различают два типа ЭС: статические и динамические. Первые экспертные системы, получившие практическое внедрение, были статическими. Динамические экспертные системы по сопоставлению со статическими содержат дополнительно два последующих компонента: подсистему моделирования внешнего мира и подсистему взаимодействия с внешним миром. Типичная статическая ЭС состоит из следующих главных компонентов: решателя( интерпретатора); рабочей памяти( РП), называемой еще базой данных( БД); базы знаний( БЗ); компонентов приобретения знаний; объяснительного компонента; диалогового компонента. Слайд __ Статическая ЭС Структуру, приведенную на Слайде ___, именуют структурой статической ЭС. ЭС предоставленного типа употребляются в тех приложениях, где разрешено не учитывать конфигурации находящегося вокруг мира, происходящие за время решения задачи. 5 База данных специализирована для сохранения исходных и промежуточных данных решаемой в нынешний момент задачи. Этот термин совпадает по наименованию, но не по смыслу с термином, используемым в информационно-поисковых системах( ИПС) и системах управления базами данных( СУБД) для обозначения всех данных, хранимых в системе. База знаний( БЗ) в ЭС специализирована для сохранения долговременных данных, обрисовывающих рассматриваемую область, и правил, обрисовывающих целесообразные преобразования данных данной области. Решатель, применяя исходные данные из рабочей памяти и познания из БЗ, формирует такую последовательность правил, какие, будучи примененными к исходным данным, приводят к решению задачки. Компонент приобретения знаний автоматизирует процесс заполнения ЭС знаниями, исполняемый пользователем-экспертом. Объяснительный компонент разъясняет, как система получила заключение задачи( или отчего она не получила заключение) и какие знания она при этом употребляла, что упрощает эксперту тестирование системы и увеличивает доверие пользователя к приобретенному результату. Диалоговый компонент нацелен на компанию дружеского общения с пользователем, как в ходе решения задач, так и в процессе приобретения знаний и разъяснения итогов работы. Динамическая ЭС На слайде __ показано, что в архитектуру динамической ЭС по сопоставлению со статической ЭС вводятся два дополнительных компонента. 6 Подсистема связи с внешним окружением исполняет связи с внешним миром через систему датчиков и контроллеров. Кроме такого, традиционные составляющие статической ЭС( база знаний и машина вывода) претерпевают значительные конфигурации, чтоб отобразить временную логику происходящих в настоящем мире событий. 2. Классификация экспертных систем На сегодняшний день существует много различных классификаций ЭС. В данной статье представлена классификация, которая может быть максимально полезна: 1). Классификация по решаемой задаче. 1. Интерпретация данных. Данные задачи являются традиционными для экспертных систем. Интерпретация в этом случае понимается как определение значения данных, итоги которого обязаны существовать согласованными и корректными. Обычно предугадывают альтернативный анализ данных. Например: обнаружение и идентификация разных типов океанских судов – siap или определение главных параметров личности по результатам психодиагностического тестирования. 2. Диагностика. Это обнаружение неисправности в некой системе. Под неисправностью понимается аномалия от нормы. Например: неисправность оснащения, болезни живых организмов или различные естественные аномалии. Наиболее принципиальным является надобность осмысливания многофункциональной структуры диагностирующей системы. 3. Мониторинг. Его главная задача – постоянная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или других характеристик за возможные пределы. Главные трудности – " пропуск " тревожной ситуации и инверсная задача " неправильного " срабатывания. 7 Примерами мониторинга являются: контроль за работой электростанций, контроль аварийных датчиков и др. 4. Проектирование. Оно состоит в подготовке спецификаций на создание " объектов " с заблаговременно определенными качествами. Спецификация – это целый комплект нужных документов, т. е. чертеж, пояснительная записка и т. д. Основные трудности: приобретение точного структурного описания знаний об объекте и проблема " отпечатка ". Для организации действенного проектирования нужно сформировывать не лишь сами проектные решения, но и мотивы их принятия. Следовательно, в задачах проектирования тесно соединены два главных процесса, исполняемых в рамках соответственной ЭС: процесс вывода решения и процесс разъяснения. 5. Прогнозирование. Прогнозирующие системы логически выводят вполне возможные следствия из данных обстановок. В прогнозирующей системе традиционно употребляется параметрическая динамическая модель, в которой смысла характеристик подгоняются под заданную ситуацию. Выводимые из модели следствия являются основой для прогнозов с вероятностными оценками. Например: предвестия погоды, оценки грядущего урожая или прогнозы в экономике. 6. Планирование. Это пребывание планов действий, относящихся к объектам, способным исполнить некие функции. В таковых экспертных системах применяю модели поведения настоящих объектов с тем, чтоб логически вывести последствия планируемой деятельности. Например: планирование поведения робота, планирование опыта или планирование индустриальных заказов. 7. Обучение. Системы обучения диагностируют ошибки при исследовании какой-нибудь дисциплины с поддержкой ЭВМ и подсказывают верные решения. Они аккумулируют знания о гипотетическом " воспитаннике " и его соответствующих ошибках, потом в работе способны зафиксировать слабости в познаниях обучаемых и выискать надлежащие средства для их ликвидации. Кроме того, они планируют акт общения с воспитанником в зависимости от фурроров воспитанника с целью передачи знаний. Например, обучение языку программирования. 2). Классификация по связи с реальным временем. 1. Статические ЭС. Разрабатываются в предметных областях, в которых БЗ и интерпретируемые данные не изменяются во времени. Они стабильны. Например, диагностика поломок в автомобиле. 2. Квазидинамические ЭС. Интерпретируют ситуацию, которая изменяется с неким фиксированным перерывом времени. Например: микробиологические ЭС, в которых снимаются лабораторные измерения с один раз в 4-5 ч и анализируется динамика приобретенных характеристик по отношению к предыдущему измерению. 8 3. Динамические ЭС. Работают в сопряжении с датчиками объектов в режиме реального времени с постоянной интерпретацией поступаемых данных. Например, управление эластичными производственными комплексами, мониторинг в реанимационных палатах и т. д. Пример инструментария для разработки динамических систем – g2. 3). Классификация по типу ЭВМ. По типу ЭВМ различают: 1. ЭС для уникальных стратегически принципиальных задач на суперэвм ( Эльбрус, cray, convex); 2. ЭС на ЭВМ средней производительности (типа ЕС ЭВМ, mainframe); 3. ЭС на символьных процессорах и рабочих станциях(sun, apollo); 4. ЭС на мини- и супермини-эвм( vax, micro-vax); 5. ЭС на индивидуальных компьютерах (ibm pc, mac 2). 4). Классификация по степени интеграции с иными программами. 1. Автономные ЭС. Работают конкретно в режиме консультаций с пользователем для характерно " экспертных " задач, для решения которых не требуется привлекать традиционные способы обработки данных. 2. Гибридные ЭС. Представляют программный комплекс, агрегирующий обычные пакеты прикладных программ( математическая статистика, линейное программирование или СУБД) и средствами манипулирования знаниями. Это может существовать интеллектуальная надстройка над ППП или встроенная среда для решения трудной задачи с элементами экспертных знаний. Разработка таковых систем наиболее трудна, чем разработка самостоятельной ЭС. Стыковка различных методологий порождает целый комплекс теоретических и практических проблем. Специальности и функции разработчиков экспертных систем В разработке экспертной системы участвуют представители следующих квалификаций: - эксперты - инженеры знаний - программисты Эксперт – это человек, способный ясно выражать свои идеи и пользующийся репутацией специалиста, умеющего выискать верные решения проблем в конкретной предметной области. Эксперт использует свои приёмы и ухищрения, чтоб сделать поиск решения наиболее действенным, и экспертная система моделирует все его стратегии. Инженер знаний – человек, как правило, имеющий знания в информатике и искусственном интеллекте и понимающий, как нужно основывать экспертные системы. Инженер знаний опрашивает 9 профессионалов, организует знания, решает, каким образом они обязаны быть представлены в экспертной системе и может посодействовать программисту в написании программ. Программист разрабатывает инструментальное средство (если оно разрабатывается заново или в первый раз), содержащее в пределе все главные компоненты экспертной системы, и исполняет его сопряжение с той средой, в которой оно будет применено. После разработки экспертной системы с ней начинают работу пользователи. Пользователь – это человек, который использует уже построенную экспертную систему. Так пользователем может быть адвокат, использующий её для квалификации конкретного варианта; студент, которому экспертная система помогает учить информатику и т. д. Термин пользователь несколько неоднозначен. Обычно он означает конечного пользователя, но пользователем может быть: - создатель инструмента, отлаживающий средство построения экспертной системы; - инженер знаний, уточняющий имеющиеся в экспертной системе знания; - эксперт, добавляющий в систему новейшие познания; - клерк, заносящий в систему текущую информацию. Необходимо подметить, что неимение среди соучастников разработки инженеров по знаниям или приводит к неудаче процесс сотворения экспертной системы, или существенно удлиняет его. Примеры экспертных систем В настоящее время экспертные системы используются для решения разных типов задач в самых различных проблемных областях, таковых, как финансы, нефтяная и газовая индустрия, энергетика, транспорт, фармацевтическое производство, космос, химия, образование, телекоммуникации и связь. Рассмотрим более яркие образцы экспертных систем. Примеры экспертных систем в военном деле Aces. Экспертная система исполняет картографические работы по нанесению обстановки на карты. Система приобретает в качестве исходных данных карту без обстановки и информацию, обрисовывающую размещение объектов на местности. Система выдает карту, содержащую все желаемые относительные обозначения и подписи, размещенные без взаимного наложения. Aces использует объектно-ориентированную схему представления знаний и реализована на языке loops для работы на АРМ xerox dolphin. Система изобретена компанией esl и доведена до уровня исследовательского прототипа. Asta. Экспертная система способствует аналитику найти тип радара, пославшего перехваченный сигнал. Система исследует этот знак в свете 10 имеющихся у нее общих познаний о физике радаров и особых познаний о конкретных типах радарных систем. Asta еще помогает аналитику, обеспечивая ему доступ к подходящим базам данных и давая разъяснения собственным заключениям. Знания в системе представлены в облике правил. Эта система изобретена компанией Advanced Information Decision Systems и доведена до уровня исследовательского прототипа. Dart. Экспертная система помогает обрабатывать разведданные о центрах командования, управления и связи врага. Она дает советы аналитикам по идентификации критических узлов сети командования, управления и связи и помогает обрабатывать известия о боевой обстановке. Система dart реализована на языках Паскаль и Си для компьютерных систем vax 11/ 780. Она изобретена компанией " par technology corporation " и доведена до уровня исследовательского прототипа. Hannibal. Экспертная система исполняет просчитывание ситуаций в области разведки радиообмена врага. Система идентифицирует соединения врага и боевой распорядок их связи, интерпретируя данные радиоперехвата. Эти данные включают информацию о местонахождении и свойствах сигналов (частоте, модуляции, классе канала) найденных средств связи. Знания в системе представлены в рамках архитектуры доски объявлений, координирующей активность нескольких профессионалов, или источников познаний. Система реализована с поддержкой средств age. Она изобретена компанией esl и доведена до уровня исследовательского прототипа. I&w. Экспертная система способствует аналитикам из разведки предвещать, когда и где случится последующее вооруженное столкновение. Система исследует поступающие известия разведки, к примеру, донесения о местонахождении воинских соединений, их деятельности и передвижениях, используя познания об обычных признаках активности войск. Знания представлены в рамках архитектуры доски объявлений, в которой для снабжения компетентности использованы как критерии с цепочкой размышлений, так и фреймы. Система реализована на языке interlisp-d для АРМ xerox 1100. Она изобретена компанией esl в сотрудничестве со Стэндфордским институтом и доведена до уровня демо прототипа. Rubric. Экспертная система способствует пользователю получить доступ к базам данных, содержащим неформатированные тексты. Например, когда пользователь именует какую-нибудь тему, rubric автоматически разыскивает все бумаги, содержащие тексты, связанные с данной темой. В системе rubric отнощения между темами, подтемами и фразами, содержащими ключевые слова, выражены в виде правил. Правила также определяют остальные варианты определений, выражений и методик написания одной и той же темы или мнения. Пользователь может сконструировать запрос в виде правила, задающего критерий поиска, к примеру приближенный вес, устанавливающий насколько сильно образец правила показывает на наличие темы правила. В ходе поиска rubric предоставляет пользователю бумаги, какие лежат в кластере, содержащем по 11 последней мерке один акт с весом больше данного пользователем порога. Это предотвращает ситуацию, в которой произвольно избранный порог мог бы поделить близкие по рангу документы. Система реализована на языке franz lisp, изобретена компанией " advanced information decision systems " и доведена до уровня исследовательского прототипа. Пример экспертной системы в информатике Codes. Экспертная система способствует разработчику базы данных, желающему применять подход idef1 для определения концептуальной схемы базы данных. Хотя в качестве подхода idef1 может быть полезна, сложность ее правил нередко удерживает ее применение. Разработчик обрисовывает, какие характеристики и взаимосвязи желанны в базе данных, под управлением системы codes, исполняемым в форме диалога. Затем система использует свои познания в виде правил и эвристик idef1 для построения концептуальной схемы разрабатываемой базы данных. Знания в codes представлены в виде правил с использованием обратной цепочки размышлений в качестве стратегии управления. Codes реализована на языке uci lisp. Она была изобретена в Университете штата Южная Калифорния и доведена до уровня демо-прототипа. Пример экспертной системы в компьютерных системах Mixer. Экспертная система оказывает поддержку программистам в написании микропрограмм для разработанной texas instruments СБИС ti990. По данному описанию микропрограммы система получает оптимизированные микропрограммы для ti990. Mixer охватывает знания по микропрограммированию для ti990, взятые из управления и анализа микропрограммы управляющего ПЗУ ti990. Сюда относятся знания о том, как изменять введенные описания в комплекты промежуточных операций, как отметить соответствующие регистры под переменные и как изменить промежуточные операции в комплекты микроопераций. Mixer употребляет эти познания, чтобы найти, какие микрооперации являются наилучшими для реализации микропрограммы. Система представляет познания в виде правил и данных, владеет унификацией, управляемой механизмом вывода, и динамическим возвратом. Mixer реализована на языке Пролог. Она была изобретена в Токийском институте и доведена до уровня демо-прототипа. Пример экспертной системы в электронике Ace. Экспертная система описывает неисправности в телефонной сети и дает советы по нужному ремонту и восстановительным мероприятиям. Система работает без вмешательства пользователя, разбирая сводки о состоянии, получаемые ежедневно с поддержкой cras, программы, следящей за ходом ремонтных работ в кабельной сети. Ace обнаруживает неисправные телефонные кабели и решает, нуждаются ли они в плановопредупредительном ремонте и избирает, какой тип ремонтных работ вероятнее всего станет действенным. Затем ace запоминает свои советы в специальной базе данных, к которой у пользователя имеется доступ. Система воспринимает решения, используя познания относительно телефонных 12 станций, сообщения системы cras и стратегии разбора сетей. Представление познаний в системе основано на правилах, употребляется методика управления средством непосредственный цепочки размышлений. АСЕ реализована на языках ops4 и franz lisp и работает на микропроцессорах серии at&t 3b-2, размещенных в подстанциях наблюдения. Она изобретена в bell laboratories. АСЕ прошла опытную эксплуатацию и доведена до уровня коммерческой экспертной системы. 4. Свойства экспертной системы Основа экспертной системы – база знаний, накапливаемая при ее построении. Накопление и организация знаний — одна из самых важных характеристик экспертной системы. Рис.2. Основные свойства экспертной системы. Свойства 1.ЭС применяет для решения задач высококачественный опыт, представляющий уровень мышления наиболее квалифицированных экспертов. Это, как правило, приводит к точным и эффективным решениям. Высококачественный опыт в сочетании с умением его применять делает систему рентабельной, способной заслужить признание на рынке. Этому способствует также гибкость системы. Система может наращиваться постепенно в соответствии с нуждами бизнеса или заказчика. Это означает, что можно вначале вложить сравнительно скромные средства, а потом наращивать ее возможности по мере необходимости. Но, как и любой эксперт, система способна ошибаться. Джон Макдермотт, разработчик экспертной системы для конфигурирования VAX-11 в корпорации DEC: «Я настойчиво подчеркивал, что основанная на знаниях программа должна пройти через сравнительно долгий период ученичества, и что даже после того, как она станет экспертной, она будет, подобно всем экспертам, 13 время от времени делать ошибки. Первая часть этого утверждения была воспринята, но я подозреваю, что со второй этого пока не произошло. Поэтому меня беспокоит, будет ли после осознания этого свойства экспертных систем компания DEC морально готова возложить значительную долю ответственности на программы, про которые известно, что они не являются непогрешимыми». Ошибки ЭС чрезвычайно трудно исправлять, поскольку стратегии, эвристики и принципы, лежащие в основе этих программ, явно не сформулированы в их тексте. Следовательно, эти ошибки нелегко определить и исправить. Но ЭС имеют потенциальную способность учиться на своих ошибках. С помощью компетентных пользователей можно заставить ЭС совершенствоваться в решении задачи в ходе практической работы. 2.ЭС обладает прогностическими возможностями, т.е. может дать ответ в конкретной ситуации, показать, как изменятся этот ответ в новых ситуациях, и объяснить, каким образом новая ситуация привела к изменениям. Пользователь может оценить возможное влияние новых фактов или информации и понять, как они связаны с решением. 3.ЭС обладает институциональной памятью. Если база знаний ЭС разработана с привлечением ведущих специалистов отдела или штаба, то она представляет политику или способы действия этой группы людей. Ведущие специалисты уходят, но их опыт остается. Это важно для деловой сферы и особенно ценно для вооруженных сил и правительственных органов с их частыми преобразованиями и персональными перемещениями. 4.ЭС можно использовать для обучения и тренировки руководителей и специалистов, поскольку они содержат необходимые знания и способны объяснить процесс своего рассуждения. Необходимо только добавить программное обеспечение, поддерживающее соответствующий интерфейс между обучаемым и экспертной системой. Инновационные разработки в сфере экспертных систем в медицине В эпоху массового внедрения персональных компьютеров во все сферы современной жизни естественным является стремление использовать компьютерные системы для поддержки все более сложных видов человеческой деятельности. Одной из них является деятельность врача. Сложные современные исследования в медицине не мыслимы без применения вычислительной техники. К таким исследованиям можно отнести компьютерную томографию, ультрасонографию, исследования с применением изотопов. Количество информации, которое получается при таких исследованиях, так огромно, что без компьютера человек был бы неспособен ее воспринять и обработать. Современные технические возможности позволяют выйти на качественно новый уровень представления течения заболевания, а именно визуально, пространственно смоделировать типовое развитие 14 патологического процесса при конкретном заболевании. В настоящее время, на современном этапе развития медицины, информационные нагрузки достигают пределов человеческих возможностей. Медицинские экспертные системы позволяют врачу не только проверить собственные диагностические предположения, но и обратиться к компьютеру за консультацией в трудных случаях. Принятие диагностических и лечебных решений часто оказывается затруднительным, особенно для начинающих врачей-специалистов. Поскольку принятие решений является результатом переработки определенной информации о пациенте, можно ожидать, что экспертные системы способны помочь врачу в решении задач диагностики и выбора тактики лечения. Опираясь на знания экспертов, медицинская экспертная система может помочь врачу "узнавать" клинические ситуации, оставляя за ним право, принять или отвергнуть соответствующее диагностическое или лечебное решение, предложенное системой. В медицинских учреждениях все более актуальным становится создание автоматизированных рабочих мест, наличие которых делает работу врача-специалиста более продуктивной. Экспертные системы выдают советы, проводят анализ, выполняют классификацию, дают консультации и ставят диагноз. Практическое применение искусственного интеллекта, основанное на экспертных системах, позволяют повысить качество, сохранить время принятия решений, способствуют росту эффективности работы и повышению квалификации специалистов. Данные системы не заменяют специалиста, а являются инструментом в его руках. Сейчас основное назначение медицинских экспертных систем – медицинская диагностика. Наиболее известна экспертная диагностическая система MYCIN, которая предназначена для диагностики и наблюдения за заболеваниями крови. Ее первая версия была разработана в Стэндфордском университете в середине 70-х годов. В настоящее время эта система ставит диагноз на уровне врача-специалиста, имеет расширенную базу знаний. Наиболее известные экспертные системы, разработанные в 60-70-х годах, стали в своих областях уже классическими. С 1988 г. в Европе начались работы по внедрению современных средств информатики в медицину. Компания ATL представила экспертную систему, обеспечивающую обработку изображений со скоростью 14 млрд. операций в секунду, что позволяет наблюдать четкое цветное изображение кровотока. Система снабжена интеллектуальной адаптивной системой настройки, обеспечивает трехмерное изображение сосудов. В России существуют экспертные системы для ортопедии. Система совмещена с мультимедийными устройствами. Опыт работы детской телемедицинской консультативной системы в России способствовал повышению квалификации педиатров страны. Также разработана экспертнодиагностическая система контроля за состоянием новорожденных, лекарственных препаратов, клинической диагностики, щитовидной железы. 15 Среди экспертных медицинских систем особое место занимают так называемые самообучающиеся интеллектуальные системы (СИС). Наиболее яркий пример СИС — искусственные нейронные сети. Сейчас искусственные нейронные сети применяются для решения очень многих задач для диагностики заболеваний людей. Наиболее важным отличием ИНС от остальных методов прогнозирования является возможность конструирования экспертных систем самим врачом-специалистом, который может передать нейронной сети свой индивидуальный опыт и опыт своих коллег или обучать сеть на реальных данных. Нейронные сети способны принимать решения. Положительное отличительное свойство ИНС состоит в том, что они не программируются, т.е. не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. В ряде случаев ИНС могут демонстрировать удивительные свойства, присущие мозгу человека, в том числе отыскивать закономерности в запутанных данных. Другое, не менее важное, свойство нейронной сети состоит в способности к обучению и обобщению полученных знаний. Сеть обладает чертами, так называемого искусственного интеллекта. Несмотря на количество уже известных практических приложений ИНС, возможности их дальнейшего использования не исчерпаны, и можно предположить, что ИНС в течение многих лет будут одним из основных инструментов поддержки принятия решений в условиях отсутствия реалистичных моделей. Примеры использования экспертных систем в медицине нельзя назвать единичными, они применяются во многих областях здравоохранения. Примечательно, что подавляющее большинство таких работ выполнено зарубежными исследователями и в основном они касаются возможностей использования ИНС в различных клинических ситуациях. Чтобы не отстать от зарубежных коллег, сейчас в России запущен инновационный проект, содержащий несколько «ноу-хау», не имеющих аналогов в мире. Инновационный проект: "Компьютерная медицинская информационная система для поддержки принятия решений, применительно к работе врача наркологического и терапевтического профилей». Данная экспертная система строится на принципах системного подхода и понятия целостности организма и современных информационных технологиях, опирающаяся на заболевание "всего человека". Это позволяет сделать современную терапию - более индивидуальной и конкретной, а, следовательно, и более эффективной. 16
