Использование нейросетевых технологий для построения экспертных систем

Аннотация

Предмет.

Данная работа посвящена использование нейросетевых технологий для построения экспертных систем. Тема является современной и актуальной  в связи с широким спектром ее использования для решения разнообразных задач анализа, синтеза и оптимизации. В том числе для решения прикладных задач и в основном задач, связанных с моделями и средствами параллельной обработки информации.

Цели.

Использование нейросетевых технологий для построения экспертных систем.

Методология. Раскрыть Построения экспертных систем, их определения и классификацию, методы и функции.

Результаты.

Нейросетевые технологии появились на основе нейронных сетей, т.е. программ, имеющих структуру, схожую с работой мозга. Это направление принадлежит к одному из направлений в развитии искусственного интеллекта. Под искусственным интеллектом в настоящее время понимают процесс создания машин, которые способны действовать таким образом, что будут восприниматься человеком как разумные. Это возможно может напоминать чем-то  поведения человека или выполнение более простых задач, например, проживание в довольно сложной и меняющейся обстановки. Под сильным понимают программное обеспечение, благодаря которому компьютеры могут думать так же, как люди, и приобретать  сознание как разумные существа, под слабым искусственным интеллектом понимают широкий диапазон технологий искусственного интеллекта в виде программного обеспечения, которое может добавляться в существующие системы и придавать им различные “разумные” свойства.

Выводы. На основе анализа литературы рассмотрели понятия «Использование нейросетевых технологий» И пришли к выводу, что нейросетевые технология – математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей.

Так же раскрыли основные понятия Нейронные сети. Виды нейронов, классификацию моделей, Принципы разработки нейроимитаторов, а также разобрали суть и особенности моделирования сложных производственных систем. Построения экспертных систем, в котором описали виды, определения и классификацию, модели и базовые функции. Рассмотрели использование нейросетевых технологий для построения экспертных систем, архитектуру, нестандартное применение нейроннх сетей, Назначение и возможности нейросетей .

Ключевые слова: знания, экспертные системы, нейрон, нейронные сети

Рассмотрим две системы, первая используется в телефонной сети  для поиска неисправностей, а вторая будет используется при составлении схем для лечения вирусных заболеваний . В двух случаях особое внимание  будет обращено методике представления и приобретения знаний, при этом будет использоваться  для решения этих задач совершенно разные методы решения.

Довольно сложная система будет использоваться для переключения номеров в телефонной сети, телефонная сеть занимающая большую часть офиса.  Задача обслуживания системы переключений — уменьшить число вызовов, чтобы основные маршруты необходимые для переброски на запасную линию из-за неполадок основных линий подключений, и как можно скарее восстановит работу всех линий и систем.

По причине неисправности линии подключения это может быть из за неисправности электроники, обеспечивающих связь между абонентами. Во время работы чтобы избежать неисправности непрерывно выполняется самотестирование. Во избежание разрыва в цепи или короткого замыкания, медленное срабатывание схем и т.д. Если система обнаруживает неисправность будет отправлено соответствующие сообщение. [1]

Причину появления неисправности будут выявлять с помощью соответствующих сообщений и обязательно при помощи специалистов-экспертов. Сообщения о неисправности будут поступать в экспертную систему COMPASS(поступать туда также будет и новые знания которые будут накапливаться в процессе работы), она и будет предлагать варьянты исправления ошибок с помощью провидения теста или замены определенных узлов в системе. Система разработана компанией GTE и эксплуатируется во множестве ее филиалов

В системе считалось самое главное правильно подобраны код. Который совмещался вместе с накопленными знаниями специалистов. он накапливался несколько лет который собирался с разных систем. Раньше для хорошей работы телефонной Сити компании приходилось использовать огромный штат работников. Которые должны были  за короткий промежуток времени практически в ручную проанализировать сообщения об отклонениях и сделать за ограниченное время отыскать и устранить неисправность. Чтобы радикально изменить такой подход и уменьшить штат работников необходимо было придумать и создать систему способной аккумулировать в виде программы.  Которая бы заменяла работу специалистов проводя тест и выявляя неисправности за них сообщая возможные варьянты решений этих неисправностей.

Накопление в системе знаний осуществлялась с помощью накопленной годами информации экспертов. Эксперты рассказывали возможные проверки и устранения способов неисправности, а инженеры по знаниям формулировали их в виде правил "если ... то". Затем эксперты проверяли насколько тот или иной подход работая в системе. При обнаружении  каких-то не совпадений проводился анализ и переписывалась система так чтобы правило работала. Пример одного правила, построенного таким способом, представлен ниже. ЕСЛИ существует проблема и количество сообщений пять или более, ТО отказ в узле PGA, в котором горит индикатор расширения, и отказ в резервном узле PGA, и отказ в узле IGA, и отказ в плате переключателей D2. [2]

Вот такими правилами и заполнялась вся система на языке КЕЕ, хотя в некоторых других случаях более правильным было бы использовать язык LISP. Сформулированные правила собирались в библиотеке которая стала одним из наеболие крупных и важных  комплекта документации экспертной системы.

В этой библиотеки был записан первоисточник знаний собранный работниками для помощи в процессе настройки и опытной эксплуатации системы. Библиотека собиралась в несколько этапов которые были разделены на  не сколько задач. Таким образом система была разделена и собиралась по кусочкам вначале были собраны знания по одной из систем в то время как другие специалисты занимались другим вопросом.  Цикл приобретения знаний при разработке системы COMPASS включал следующие этапы.

1. Извлечь знания из беседы с экспертом.

2. записать в программу извлеченные знания.

3. Проверить новые знания.

Так как сбор информации проводился с помощью нескольких групп их прошлось объединять в одну.

Когда накопленные знания которые записывали в систему превысит некоторый минимум необходимый системе для проверки. Можно начать проверять систему запуская ее и проверяя по тем знаниям, которые были записаны в системе на практике. Ко всему к этому между этапами документирования и проверки знаний появляется еще одно внедрение знаний в систему. После этого можно проверять работу новых знаний не только моделированием вручную, но и выполнением программы на разных наборах входных данных. Работа должна провидится в системе и не выявлять ошибок другими словами система должна работать исправно, не должно выявлять ошибки а ткже не должно быть не корректных опечаток. Конечно, в результате накапливание знаний анализа и сравнения система усложнится насчет ошибок которые будут накапливаться ошибки самой программы также было сделана очистка памяти накопленных ошибок. Для того чтобы не забивать память программы . [3]

Преро (Prerau), ведущий разработчик системы, отметил, что по мере накопления опыта в процессе извлечения знаний инженеру по знаниям легче было общаться с экспертами. Последние постепенно освоились с методикой формализации знаний в виде правил. Они стали разбираться в терминах, понимать и быстрее реагировать , а инженер по знаниям изучив систему и разобравшись с варьянтами ошибок очень хорошо изучил данную область стало намного легче и быстрее  ознакамливаться со спецификой предметной области.

Такое сближение и понимание между техниками и специалистами можно было рассматривать как признак успеха в работе в проекте. По мнению Преро помощь в этом, сыграло совместная работа инженеров и экспертов в ручном моделировании процесса. Принимая совместно решения полученных знаний и разборка их совместно со всей группой. В 1990 году система COMPASS была использована для проверки и дальнейшей эксплотации и в ведена предприятий фирмы GTE.

GTE Фирма спонсирующая проект и собирающая основные накопленные знания . По этому проверять систему решили именно в этой фирме конечно не решившись сразу запустить систему в основную работу а решили запустить ее только вторично. Изначально использовалась как вспомогательная программа обслуживающая телефонной связью до миллиона абонентов. Программа была довольно успешно протестирована это произошло блогадоря тому что при ее разработке использовалась описанная выше методика накопления и формирования знаний. Кроме того, система была задумана так что в ее структуре можно было накапливать новые знания которые появлялись при тестировании и дальнейшей работе не влияя при этом на работу основной системы. А даже наоборот улучшала и дополняла систему Проект COMPASS можно считать самым лучшим примером по использованию традиционной методики приобретения знаний.

Такая методология "выросла" из предложенной Ньюэллом и Саймоном методики анализа протокола. Эта методика ориентирована на частичную автоматизацию процесса  и уменьшения работников практически в два раза. Система показала свою надежность и  в несколько раз ускорила процесс исправления ошибок в сети. Так как программа могла за несколько секунд найти ошибку которую раньше  необходимо было исправить специалистам в ручную на что тратилось намного больше времени чем сейчас.