Область штучного інтелекту має історії свого розвитку більше сорока років. З самого початку в ній стояв ряд складних завдань, проблема рішень яких залишається і на сьогоднішній день актуальною. Одним із завдань предметної області, є проблема організації експертних систем (ЕС).

Функціонування ЕС увазі використання знань, маніпулюючи ними на основі бази евристичних правил, які були сформульованих експертами. ЕС призначені для проведення аналізів, отримання консультації, виявлення діагнозів. Вони орієнтовані на завдання, вирішення яких, зажадало б залучення експертів. Проблема експертних систем полягає в необхідності постійного оновлення бази знань, невиконання чого може призвести до негативних наслідків.

1. Актуальність теми

Експертні системи є актуальними в даний момент, але виникають проблеми, при їх використанні через певний проміжок часу. Ці проблеми полягає в тому, що інформація, яку використовує система, застаріває; обсягів баз знань стає недостатньо для вирішення нових завдань. Оновлення даних за участю експерта не завжди можливо, тому актуально використовувати оновлення баз знань із застосуванням мережі Інтернет, як в автоматичному режимі, так і за участю користувача. Ідея полягає у впровадженні онтології в експертну систему, що дозволить системі отримувати знання з мережі Інтернет.

2. Мета і завдання дослідження

Метою магістерської роботи є впровадження онтології в експертну систему.

Для вирішення цієї проблеми необхідно виконати наступні етапи:

- Розглянути застосування та класифікацію онтології;

- Розглянути методи побудови експертних систем;

- Визначити, яким чином можна автоматизувати оновлення знань експертної системи;

- Визначити, за допомогою яких підходів і методів, можна проводити пошук інформації.

3. Передбачувана наукова новизна

Передбачувана новизна полягає у розробці моделей та алгоритмів взаємозв'язку експертної системи з методами та підходами онтології, для пошуку інформації в мережі Інтернет.

4. Огляд досліджень і розробок по темі

На сьогоднішній день існує не менше десятка зарубіжних систем, що відносяться до класу інструментів онтологічного інжинірингу, які підтримують різні формалізми для опису знань і використовують різні машини виведення з цих знань .

Незважаючи на досить велику кількість систем, їх призначення орієнтоване на вузьке коло вирішення проблем. Кожна виконує своє призначення, тому їх застосування в експертних системах стає неможливим.

Огляд досліджень увазі розгляд вже існуючих методів і підходів, або ж використання запропонованих ідей при реалізації системи.

4.1 Світовий рівень

Найбільш відомі з них - це: Protégé, CYC, KAON2, OntoEdit, KADS22.

Protégé (http://protege.stanford.edu) - це вільний, відкритий редактор онтологій і фреймворк для побудови баз знань.

Платформа Protégé підтримує два основних способи моделювання онтологій за допомогою редакторів Protégé-Frames і Protégé-OWL. Онтології, побудовані в Protégé, можуть бути експортовані в безліч форматів, включаючи RDF (RDF Schema), OWL і XML Schema.

Protégé має відкриту, легко розширювану архітектуру за рахунок підтримки модулів розширення функціональності.

Protégé підтримується значним спільнотою, що складається з розробників і вчених, урядових і корпоративних користувачів, що використовують його для вирішення завдань, пов'язаних зі знаннями, в таких різноманітних галузях, як біомедицина, збір знань та корпоративне моделювання.

Protégé доступний для вільного скачування з офіційного сайту разом з плагінами і онтологіями [14].

CYC (http://www.cyc.com) - проект по створенню об'ємної онтологічної бази знань, що дозволяє програмам вирішувати складні завдання з області штучного інтелекту на основі логічного висновку та залучення здорового глузду.

Проект розпочав Дуглас Ленат в 1984 році в Microelectronics and Computer Technology Corporation. Назва «Cyc» (утворене від англ. Encyclopedia і промовлене як «цик») є зареєстрованою торговою маркою компанії Cycorp, Inc в Остіні, якою управляє Ленат і створеної для розробки Cyc. База знань є власністю компанії, однак невелика частина бази, призначена для встановлення загального словника для програм автоматичного міркування, була випущена як OpenCyc під відкритою ліцензією. Пізніше, Cyc стала доступною для дослідників ІІ під спеціальною дослідницької ліцензією як ResearchCyc.

Типовим прикладом знань у базі є «Всяке дерево є рослиною» і «Рослини смертні». Якщо запитати «вмирають чи дерева?», Машина логічного висновку може зробити очевидний висновок і дати правильну відповідь. База Знань (англ. Knowledge Base або KB) містить більше мільйона занесених туди людьми тверджень, правил і загальновживаних ідей. Вони формулюються на мові CycL, який заснований на обчисленні предикатів і має схожий з Ліспі синтаксис. Англомовні користувачі жартують що вони «велосипедисти» (від англ. Cyclist - велосипедист).

Велика частина сьогоднішньої роботи в проекті Cyc все ще пов'язана з інженерією знань - опис фактів про навколишній світ вручну і реалізація ефективних механізмів логічного висновку на основі цих знань. Однак ведеться робота над тим, щоб дати системі Cyc можливість самостійно спілкуватися з користувачами на природній мові, і над прискоренням процесу поповнення бази за допомогою машинного навчання [15].

OntoEdit (http://www.ontoprise.de/products/ontoedit) - спочатку був розроблений в інституті AIFB (Institute of Applied Informatics and Formal Description Methods ) Університету Karlsruhe (зараз комерціалізувати Ontoprise GmbH) виконує перевірку, перегляд, кодування і модифікацію онтологій. В даний час OntoEdit підтримує мови представлення: FLogic, включаючи машину виведення, OIL, розширення RDFS і внутрішню, засновану на XML, серіалізацию моделі онтології використовуючи OXML - мова представлення знань OntoEdit (OntoEdit's XML-based Ontology representation Language). До достоїнств інструмента можна віднести зручність використання; розробку онтології під керівництвом методології і за допомогою процесу логічного висновку; розробку аксіом; розширювану структуру за допомогою плагінів, а також дуже гарну документацію [16].

KAON2 (http://kaon2.semanticweb.org) - інфраструктура для управління онтологіями OWL-DL, SWRL, і F-Logic. Запити можуть бути сформульовані на SPARQL [17].

KADS22 (http://hcs.science.uva.nl/projects/kads22/index.html) - інструмент підтримки проектування моделей знань згідно методології CommonKADS. Онтології складають частину таких моделей знань (інша частина - моделі виводу). Моделі CommonKADS визначені в CML (Conceptual Modeling Language). KADS22 - інтерактивний графічний інтерфейс для CML з наступними функціональними можливостями: синтаксичний аналіз файлів CML, друк, перегляд гіпертексту, пошук, генерація глосарію та генерація HTML [18].

Великий внесок у сферу штучного інтелекту приніс кандидат наук за спеціальністю «Системи та засоби штучного інтелекту» Щербак С.С. , Створивши блог, де обговорюються різні проблеми штучного інтелекту, онтологій і Semantic Web (Shcherbak.net).

4.2 Національний рівень

У Київському інституту кібернетики ім. В.М. Глушкова А.В. Гречко запропонували побудова онтології методу аналізу ієрархій Т. Сааті для методологічної систематизації даних і інтерфейсів в реалізації системи експертного аналізу, інтегрованої в Інтернет [19].

У харківському політехнічному університеті Е.А. Оробінський, О.І. Король і Н.В. Шаронова запропонували стратегію автоматизованого побудови онтології на основі аналізу патентно-кон'юнктурних інформації [20].

4.3 Розробки Донецького національного техничного університету

На факультеті комп'ютерних наук і технологій), у статті «Дослідження застосування онтологічних моделей для семантичного пошуку» Болотова В.І. передбачає прояснення ситуації з визначенням понять «онтологія» і «властивість онтології», аналіз існуючих класифікацій властивостей та обговорення можливості їх використання для систематичного оцінювання онтологій і їхніх моделей на практиці [12].

На факультеті комп'ютерних наук і технологій), у статті «Розробка онтологічної моделі для семантичного пошуку інформації в електронній бібліотеці» Бажанова А.І. розробляє алгоритм для автоматизованого розширення онтологій семантичними образами текстів, що дозволяє отримувати дані релевантні запиту користувача [13].

5. Поняття онтології

Згідно з визначенням Т. Грубера, онтологія - це специфікація концептуалізації предметної області. Це формальне і декларативне подання, яке включає словник понять і відповідних їм термінів предметної області, а також логічні вирази (аксіоми), які описують безліч відносин між поняттями. Для опису відносин у онтологіях використовуються весь арсенал формальних моделей і мов, розроблених в галузі штучного інтелекту - числення предикатів, системи продукцій, семантичні мережі, фрейми і т.п. Таким чином, модний сьогодні термін «онтологія» виявився близький за значенням до терміну «штучний інтелект» [1].

6. Класифікація онтологій

У проектуванні онтологій умовно можна виділити два напрямки:

- Перший пов'язане з поданням онтології як формальної системи, заснованої на математично точних аксіомах;

- Другий напрямок пов'язано з комп'ютерною лінгвістикою та когнітивної наукою.

Таким чином, існує два альтернативних підходи до створення і дослідженню онтологій:

- Формальний, заснований на логіці (предикатів першого порядку, дескриптивної, модальної і т.п.).

- Лінгвістичний, заснований на вивченні природної мови.

Незалежно від різних підходів можна виділити 3 основних принципи класифікації онтологій:

- За ступенем формальності;

- З наповнення, вмісту;

- За метою створення [2].

6.1 Класифікація за ступенем формальності «Спектр онтологій»

Зазвичай люди і комп'ютерні агенти (програми) мають деяке уявлення значень термінів. Програмні агенти іноді надають специфікацію вхідних та вихідних даних, які можуть бути використані як специфікація програми. Подібним чином онтології можуть бути використані, щоб надати конкретну специфікацію імен термінів і значень термінів. У рамках такого розуміння існує простір для варіацій. Онтології можуть бути представлені як спектр залежно від деталей реалізації.

Рис. 6.1. Спектр онтологий

На малюнку 6.1 зображений, так званий, спектр онтологій за ступенем формальності подання, використання тих чи інших формальні елементів. Кожна точка відповідає наявності деяких ключових структур в онтології, що відрізняють її від інших точок на спектрі. Коса риса умовно відокремлює онтології від інших ресурсів, що мають онтологічний характер.

Першій точці на спектрі відповідає контрольований словник, тобто кінцевий список термінів (найпростішим прикладом є каталог на основі ідентифікаторів). Каталоги являють точну (Не багатозначну) інтерпретацію термінів.

Інший специфікацією онтології може бути глосарій, який представляє список термінів з їх значеннями. Значення описуються у вигляді коментарів на природній мові. Це дає більше інформації, оскільки люди можуть прочитати такий коментар і зрозуміти зміст терміну. Інтерпретації термінів можуть бути багатозначними. Глосарії непридатні для автоматичного оброблення програмними агентами, але можна, як і раніше, привласнити термінам ID.

Тезауруси несуть додаткову семантику, визначаючи зв'язку між термінами. Відносини властиві для тезаурусів: синонімія, ієрархічне відношення і асоціація. Зазвичай тезауруси в явному вигляді не мають ієрархії термінів, але вона може бути відновлена.

Далі слід точка «формальні таксономії». Ці онтології включають точне визначення ставлення isA (клас-підклас). У таких системах строго дотримується транзитивність відносини isA: якщо В - є підкласом класу А, то кожен підклас класу В також є підкласом класу А. А для відносини клас-примірник (isInstanceOf) виконаються наступна властивість: якщо В - є підкласом класу А, то кожен екземпляр класу В також є екземпляром класу А.

Наступна точка - наявність формального ставлення клас-екземпляр. Деякі класифікації включають тільки імена класів, інші містять на нижньому рівні примірники (індивіди). Дана точка спектру включає екземпляри класів.

Далі серед структурних елементів з'являються фрейми. Тут класи (фрейми) можуть мати інформацію про властивості (слотах).

Більшої виразністю володіють онтології, що включають обмеження на область значень властивостей. Значення властивостей беруться з деякого зумовленого безлічі (цілі числа, символи алфавіту) або з підмножини концептів онтології (безліч екземплярів даного класу, безліч класів). Можна ввести додаткові обмеження на те, що може заповнювати властивість.

У цілому з необхідністю виразити більше інформації, виразні засоби онтології (і її структура) ускладнюється.

Деякі мови дозволяють робити довільні логічні твердження про концептах - аксіоми.

Мови опису онтологія, подібні CycL і Ontolingua дозволяють описувати твердження на мові логіки предикатів першого порядку (FOL) [2,7].

6.2 Класифікація за метою створення

У рамках цієї класифікації виділяють 4 рівня:

- Онтології подання;

- Онтології верхнього рівня;

- Онтології предметних областей;

- Прикладні онтології.

Онтології уявлення. Мета їх створення: описати область представлення знань, створити мову для специфікації інших онтологій більш низьких рівнів. Приклад: опис понять мови OWL засобами RDF / RDFS.

Онтології верхнього рівня. Їх призначення в створенні єдиної «правильної онтології», що фіксує знання загальні для всіх предметних областей та багаторазовому використанні даної онтології. Існує кілька серйозних проектів: SUMO, Sowa's Ontology, Cyc. Але в цілому спроби створити онтологію верхнього рівня на всі випадки життя поки не привели до очікуваних результатів. Багато онтології верхнього рівня схожі один на одного. Вони містять одні й ті ж концепти: Сутність, Явище, Процес, Об'єкт, Роль і т.п.

Онтології предметних областей. Призначення схоже з призначенням онтологій верхнього рівня, але область інтересу обмежена предметною областю (авіація, медицина, культура). Приклади: АвіаОнтологія, CIDOC CRM, UMLS.

Прикладні онтології. Призначення цих онтологій в тому, щоб описати концептуальну модель конкретної задачі або програми. Вони містять найбільш специфічну інформацію. Приклади проектів: TOVE, Plinius [6].

6.3 Класифікація онтологій по вмісту

Дана класифікація дуже схожа на попередню, але тут наголос робиться на реальне вміст онтології, а не на абстрактну мету, що переслідується авторами [7].

6.4 Онтології і обробка текстів на природній мові

Для того щоб застосувати онтологію для автоматичної обробки текстів, зокрема для вирішення завдань інформаційного пошуку, необхідно поняттям онтології зіставити набір мовних виразів (слів і словосполучень), якими поняття можуть виражатися в тексті.

Процедура зіставлення понять онтологій і мовних виразів може бути здійснена різними способами. / P>

Пропонується створювати онтологію шляхом логічного аналізу, «зверху - вниз». При цьому імена вводяться понять повинні відображати ті ознаки, які закладені в основу розподілу. У результаті виходять імена понять досить громіздкі, неприродні, з ними важко оперувати як розробникам, так і можливим користувачам. Іншою проблемою такого підходу є те, що при приписуванні мовних виразів до логічно обгрунтованої системі понять виходить, що одне і те ж слово може відповідати занадто великій кількості таких «правильних» понять залежно від контексту, виникає надмірна багатозначність лексичної одиниці.

Крім того, тоді як невеликі онтології можуть бути побудовані методом зверху - вниз, розробка докладних онтологій для реальних додатків - нетривіальне завдання. Більше того, в багатьох предметних областях, знання, потрібне для розповсюдження та інтеграції, міститься в основному в текстах. Через внутрішні особливостей людської мови, непростим завданням є зв'язати знання, що містяться в текстах, з онтологіями, навіть якби була побудована детальна онтологія предметної області.

Другий напрям, який зазвичай обговорюється, це встановлення відповідностей між ієрархічними лексичними ресурсами типу WordNet і деякої онтологією. WordNet-ресурси описують лексичні відносини між значеннями слів, представлені у вигляді окремих одиниць в ієрархічній мережі - сінсетов. Відносини між лексичними одиницями в значній мірі відображають відношення об'єктів зовнішнього світу, тому такі ресурси часто розглядаються як особливий вид онтологій - лексичні або лінгвістичні онтологій.

Головною характеристикою лінгвістичних онтологій є те, що вони пов'язані зі значеннями ("are bound to the semantics") мовних виразів (слів, іменних груп тощо). Лінгвістичні онтології охоплюють більшість слів мови, і одночасно мають онтологічну структуру, яка виявляється у відносинах між поняттями. Тому лінгвістичні онтології можуть розглядатися як особливий вид лексичної бази даних і особливий тип онтології.

Третій шлях - спробувати розробити єдиний ресурс, в якому були б збалансовані обидві частини: система понять - і система лексичних значень, що полягає в розумному розділенні цих одиниць в створюваному ресурсі і акуратному описі їх взаємозв'язків. Спроба такого підходу реалізується в онтологіях MikroKosmos і OntoSem[4,8,12].

7. Області застосування онтології

Онтології розробляються і можуть бути використані при вирішенні різних завдань, у тому числі для спільного застосування людьми або програмними агентами, для можливості накопичення та повторного використання знань в предметній області, для створення моделей і програм, що оперують онтологіями.

Онтології можуть бути використані скрізь, де потрібна обробка даних, що враховує їх семантику. У силу початкової орієнтованості мови OWL на машинну обробку, правильне застосування онтологій може, з одного боку, істотно спростити і, з іншого боку, відкрити нові можливості в розробці додатків, що вирішують завдання автоматизованої обробки і доступу до даних.

Одна з найбільш важливих завдань, яку можна вирішити, використовуючи онтології - це семантичний пошук. В даний час проблема пошуку інформації у великих масивах порівнюється з проблемою Вавилонської вежі. Ця проблема ускладнюється ще й тим, що існуючі пошукові механізми здійснюють пошук інформації без урахування семантики слів, що входять до запиту, а також контексту, в якому вони використовуються.

Основоположними характеристиками інформаційно-пошукових систем є повнота і релевантність результатів пошуку. Повнота пошуку тісно пов'язана з оперативністю охоплення інформації системою. Створена одного разу база даних Інтернет-ресурсів є «зліпком» стану Мережі в конкретний момент. Якщо ця база не буде оновлюватися постійно і оперативно, присутні в ній посилання на документи стануть мертвими. Крім того, відсутність оперативності, оновлення баз даних не дозволить користувачеві відстежувати останні зміни в його предметної області. Повнота охоплення ресурсів Мережі - це один з двох головних аспектів характеристики повноти мережевий інформаційно-пошукової системи [11].

8. Розробка експертної системи

Етапи розробки експертних систем (ЕС) має суттєві відмінності від розробки звичайного програмного продукту. Досвід створення ЕС показав, що використання при їх розробці методології, прийнятої в традиційному програмуванні, або надмірно затягує процес створення ЕС, або взагалі призводить до негативного результату. Використовувати експертні системи слід тільки тоді, коли розробка ЕС можлива, виправдана і методи інженерії знань відповідають розв'язуваної задачі. Щоб розробка експертних систем була можливою для даного додатка, необхідно одночасне виконання принаймні таких вимог:

- Існують експерти в даній області, які вирішують завдання значно краще, ніж початківці фахівці;

- Експерти сходяться в оцінці пропонованого рішення, інакше не можна буде оцінити якість розробленої ЕС;

- Експерти здатні вербалізувати (виразити на природній мові) і пояснити використовувані ними методи, в іншому випадку важко розраховувати на те, що знання експертів будуть «витягнуті» і вкладені в експертних системах;

- Рішення задачі вимагає тільки міркувань, а не дій;

- Завдання не повинна бути занадто важкою (тобто її рішення має займати у експерта кілька годин або днів, а не тижнів);

- Завдання хоча і не повинна бути виражена у формальному вигляді, але все ж повинна ставитися до досить «зрозумілою» і структурованої області, тобто мають бути виділені основні поняття, відносини і відомі (хоча б експерту) способи отримання рішення задачі;

Застосування ЕС може бути виправдане одним з таких чинників:

- Рішення задачі принесе значний ефект, наприклад економічний;

- Використання людини-експерта неможливо або через недостатню кількість експертів, або через необхідність виконувати експертизу одночасно в різних місцях;

- Використання ЕС доцільно в тих випадках, коли при передачі інформації експертові відбувається неприпустима втрата часу або інформації;

Додаток відповідає методам експертних систем, якщо розв'язувана задача володіє сукупністю наступних характеристик:

- Завдання може бути природним чином вирішена за допомогою маніпуляції з символами (тобто за допомогою символічних міркувань), а не маніпуляцій з числами, як прийнято в математичних методах і в традиційному програмуванні;

- Завдання повинна мати евристичну, а не алгоритмічну природу, тобто її рішення має вимагати застосування евристичних правил. Завдання, які можуть бути гарантовано вирішені (з дотриманням заданих обмежень) за допомогою деяких формальних процедур, не підходять для застосування експертних систем;

- Задача має бути досить складна, щоб виправдати витрати на розробку експертних систем. Однак вона не повинна бути надмірно складною (рішення займає у експерта години, а не тижні), щоб ЕС могла її вирішувати;

- Задача має бути достатньо вузькою, щоб вирішуватися методами ЕС, і практично значущою.

При розробці ЕС, як правило, використовується концепція «швидкого прототипу». Суть цієї концепції полягає в тому, що розробники не намагаються відразу побудувати кінцевий продукт. На початковому етапі вони створюють прототип ЕС. Прототипи повинні задовольняти двом суперечливим вимогам:

- З одного боку, вони повинні вирішувати типові завдання конкретного додатка

- З іншого - час і трудомісткість їх розробки мають бути досить незначні, щоб можна було максимально запараллелить процес накопичення і відладки знань (здійснюваний експертом) з процесом вибору програмних засобів. / P>

Для задоволення зазначеним вимогам, як правило, при створенні прототипу використовуються різноманітні засоби, що прискорюють процес проектування.

У ході робіт зі створення експертних систем склалася певна технологія їх розробки, що включає шість наступних етапів:

- Ідентифікація;

- Концептуалізації;

- Формалізація;

Виконання...

- Тестування;

- Дослідна експлуатація.

На етапі ідентифікації визначаються завдання, які підлягають вирішенню, виявляються цілі розробки, визначаються експерти і типи користувачів.

На етапі концептуалізації проводиться змістовний аналіз проблемної області, виявляються використовувані поняття і їх взаємозв'язки, визначаються методи розв'язання задач.

На етапі формалізації вибираються інструментальні засоби і визначаються способи подання всіх видів знань, формалізуються основні поняття, визначаються способи інтерпретації знань, моделюється робота системи, оцінюється адекватність цілям системи зафіксованих понять, методів рішень, засобів представлення і маніпулювання знаннями.

На етапі виконання здійснюється наповнення бази знань, створення прототипу ЕС.

Головне у створенні прототипу полягає в тому, щоб цей прототип забезпечив перевірку адекватності ідей, методів і способів подання знань важливість справ.

У ході етапу тестування проводиться оцінка обраного способу представлення знань в ЕС в цілому. Для цього інженер по знаннях підбирає приклади, що забезпечують перевірку всіх можливостей нової ЕС.

Розрізняють такі джерела невдач в роботі системи: тестові приклади, введення-виведення, правила виведення, керуючі стратегії.

Показові тестові приклади є найбільш очевидною причиною невдалої роботи експертних систем. Тому при підготовці тестових прикладів слід класифікувати їх з проблем предметної області, виділяючи стандартні випадки, визначаючи межі важких ситуацій і т.п.

На етапі дослідної експлуатації перевіряється придатність експертних систем для кінцевого користувача. Придатність експертних систем для користувача визначається в основному зручністю роботи з нею та її корисністю.

У ході розробки експертних систем майже завжди здійснюється її модифікація. Виділяють наступні види модифікації системи: переформулювання понять і вимог, переконструирование подання знань у системі та удосконалення прототипу [3,5,9,10].

9. Впровадження онтології в експертну систему

Якщо уявити експертну систему в загальному вигляді, то ми відведемо програму, що складається з класів та об'єктів, що мають задані значення властивостей. Кожного разу при зверненні до системи користувач задає певні властивості об'єкта, за яким хоче отримати рекомендацію. Не завжди система володіє знаннями, які хотів би отримати користувач, тому необхідно впровадити механізм, який буде зберігати інформацію про запити до ЕС, тих випадків, коли в базі знань не знайшлося відповідного рішення. Саме спираючись на цю інформацію, програма повинна збирати статистику запитів користувачів. Якщо запити, або певна частина структури запитів, для якої немає рішення, повторилися, - є сенс проводити пошук інформації на зовнішніх ресурсах. У цьому випадку формується запит до онтології, з уже сформованою за статистикою, структурою властивостей. За допомогою онтологічних методів ми проводимо пошук інформації на зовнішніх ресурсах. Після того, як ми відправили запит пошуковій системі, проаналізували інформацію і у нас вже є кінцевий результат, ми можемо передавати інформацію з онтології в нашу систему, тим самим, оновлюючи знання. Бажано, щоб процес оновлення бази знань відбувався в діалозі з користувачем, тому що не завжди інформація, розміщена в мережі Інтернет, є коректною. Так само, бажано, щоб пошук знань і оновлення, відбувалися на вимогу користувача, без обліку статистики. Можливі випадки, коли пошук інформації по заданій структурі запиту не дасть результатів, таким чином, поновлення знань не будуть зроблені.

Можна робити відновлення знань ЕС в автоматичному режимі, тобто, оновлюючи дані з певною періодичністю, але ми не повинні забувати про частки ризику, так як інформація, що знаходиться в базі знань матиме не точності. Так само, варто відзначити, що такі дії спричинять апаратні та ресурсні витрати, що приведе, у наслідку, до додаткових фінансових витрат.

Бажано, щоб в ЕС була впроваджена система безпеки, яка буде захищати, від стороннього доступу, тим самим, зменшуючи кількість небажаних користувача запитів, які спричинять до оновлення знань.

Ми повинні розуміти, що онтологія і система не повинна суперечити один одному, тобто їх структури повинні бути схожими.

Класи і екземпляри онтології переносяться в середу ЕС. Як правило, вони відображаються на класи і екземпляри мови програмування, на якому реалізується система.

Аксіоми, побудовані на етапі створення онтології, відображаються частково в структурі класів середовища програмування ЕС, а частково в правила ЕС. Після виконання кожного правила, яке змінює, видаляє або додає факти, в онтології відбувається контроль протиріч, що захищатиме її від входження в суперечливий стан.

Висновки:

Експертні системи є найбільш відомим і поширеним видом інтелектуальних систем.

Як і будь-які інші системи, вони мають ряд своїх особливостей:

- Експертні системи орієнтовані на вирішення широкого кола завдань у неформалізованих областях, на додатки, які до недавнього часу вважалися малодоступними для обчислювальної техніки.

- За допомогою експертних систем фахівці, які не знають програмування, можуть самостійно розробляти їх цікавлять програми, що дозволяє різко розширити сферу використання обчислювальної техніки.

- При вирішенні практичних завдань експертні системи досягають результатів, які не поступаються, а іноді і перевершують можливості людей-експертів, не оснащених ЕОМ.

Впровадження онтології в експертну систему дозволить заощадити, як у експертів, так і у кінцевих користувачів величезну кількість часу на оновленні знань, а так само кошти на залучення фахівців, і забезпечить більш точні результати роботи.

Список літератури

1. Соловьев В.Д., Онтологии и тезаурусы / В.Д. Соловьев, В.В. Иванов, Б.В. Добров.– Казань, Москва. 2006. – 157 с.

2. Аксенов К.А., Построение оболочки экспертных систем для предметной области процессов преобразования ресурсов // Современные проблемы науки и образования. – 2012. – № 6; URL: www.science-education.ru/106-7849

3. Джозеф Джарратано Экспертные системы принципы разработки и программирование / Джозеф Джарратано, Гари Райли — М. : Вильямс, 2006. — 1152 с.

4. Ясницкий, Л. Н., Введение в искусственный интеллект. – М.: Академия, 2005.–176 с.

5. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. − СПб.: Питер, 2001. – 384 с.

6. Рабчевский Е. А., Автоматическое построение онтологий для тематических поисковых систем / Е. А. Рабчевский, Г. И. Булатова. — Екатеринбург. 2007. — С. 33-47.

7. Ермаков А.Е., Автоматизация онтологического инжиниринга в системах извлечения знаний из текста // Международная конференция Диалог-2008. Москва. 2008. – С. 50-55.

8. Шалфеева Е.А., Возможности использования онтологий при разработке и сопровождении программных систем. Владивосток. 2011. – 21 с.

9. Попов Э.В. Экспертные системы. Решение неформализованных задач в диалоге с ЭВМ. - М.: Наука, 1987. - 200 с.

10. Лукашевич Н.В., Проблемы установления родовидовых отношений в лингвистических онтологиях // Всероссийской конференция ЗОНТ-2007. Новосибирск. 2007. – С.211-220.

11. OWL Web Ontology Language guide. W3C working draft. W3 Consortium, 2003. URL: http://www.w3.org/TR/2003/WD-owl-guide-20030331/ (дата обращения: 23.05.2013).

12. Болотова В.А., Инструментальные средства создания баз знаний на основе системы онтологий/ Интернет-ресурс. 2010. − Режим доступа: http://masters.donntu.ru/2010/fknt/bolotova/diss/ (дата обращения: 23.05.2013).

13. Бажанова А.И., Разработка онтологической модели для семантического поиска информации в электронной библиотеке/ Интернет-ресурс. 2011. − Режим доступа: http://masters.donntu.ru/2011/fknt/bazhanova/diss/index.htm (дата обращения: 23.05.2013).

14. Википедия, Protégé Интернет-ресурс. − Режим доступа: http://ru.wikipedia.org/wiki/Protégé (дата обращения: 23.05.2013).

15. Википедия, Cyc Интернет-ресурс. − Режим доступа: http://ru.wikipedia.org/wiki/Cyc (дата обращения: 23.05.2013).

16. База знаний по геронтологии, OntoEdit Интернет-ресурс. − Режим доступа: http://gerontology-explorer.ru/5ba7e2cf-4d1e-498b-a1f5-9b6d15d6e67d.html (дата обращения: 23.05.2013).

17. База знаний по геронтологии, KADS22 Интернет-ресурс. − Режим доступа: http://gerontology-explorer.ru/aa5ada45-6fd3-42c3-8af3-02247f604571.html (дата обращения: 23.05.2013).

18. Semantictools, KADS22 Интернет-ресурс. − Режим доступа: http://www.semantictools.ru/tools/12---sw.html (дата обращения: 23.05.2013).

19. Гречко А.В., Модели метода анализа иерархий Саати/А.В. Гречко, Т.П. Марьянович//Интернет-ресурс. 2006. − Режим доступа: http://fcss.ukma.kiev.ua/~conf2004/300.htm (дата обращения: 23.05.2013).

20. Оробинская Е.А., Языковая компетенция информационных систем/Е.А. Оробинская, О.И. Король, Н.В. Шаронова//Интернет-ресурс. 2012. − Режим доступа: http://archive.nbuv.gov.ua/portal/natural/vcpi/IiM/2012_62/21.pdf (дата обращения: 23.05.2013).

Важливе зауваження

При написанні даного реферату, магістерська робота ще не завершена. Остаточне завершення: січень 2013 року. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після вказаної дати.