в библиотеку


Разработка оболочки гибридной интеллектуальной системы

Авторы: Бутаков С.В., Рубцов Д.В.
Алтайский государственный технический университет, Барнаул


Источник: http://www.ict.nsc.ru/ws/Lyap2001/2193/


Аннотация:
В статье представлен подход к построению оболочки гибридной интеллектуальной системы, использующей совместно символьное и нейросетевое представления экспертных знаний. Приведены основные характеристики разрабатываемой системы и конструктивные решения, использованные при ее проектировании.

The framework for construction of hybrid intellectual system shell that uses both symbolical and neural network representations of expert knowledge are considered in the article. The basic characteristics of developed system, and constructive decisions used at its designing are given.



Введение

В настоящее время гибридные модели представления знаний в интеллектуальных системах развиваются достаточно интенсивно. Общепризнанным является тот факт, что для ряда предметных областей недостаточно использовать только численную или символьную модель представления знаний. Использование гибридных моделей представления знаний имеет ряд важных преимуществ: во-первых, появляется возможность использовать в интеллектуальной системе максимально широкий спектр экспертных знаний о предметной области [4, 5], во-вторых, возможно организовать взаимообмен знаниями между различными модулями интеллектуальной системы (в том числе и между модулями, использующими различные парадигмы представления и получения экспертных знаний)[5, 6].

Обзор различных технологий построения гибридных систем, использующих совместно символьное и нейросетевое представления знаний, можно найти в [4, 5]. Одним из наиболее интересных подходов в построении систем, позволяющих осуществить обмен знаниями между модулями численного и символьного представления, является подход, использованный в системах INSS и MIX [2]. В данных системах компонента, основанная на нейросетевой парадигме, используется для пополнения базы знаний продукционной экспертной системы, а правила экспертной системы в свою очередь используются для формирования начальной структуры нейросетевого решателя.

При построении систем поддержки принятия решений также возможно использование гибридных структур моделей принятия решения по какой-либо проблеме. В [6] показана возможность использования различных технологий поддержки принятия решения в рамках построения модели процесса решения одной задачи. Также особенностью данной разработки является возможность ее использования через сеть Интернет.

В области проектирования гибридных интеллектуальных систем можно выделить ряд проблем. Во-первых, к ним следует отнести закрытость таких систем в аспекте расширения набора используемых методов представления знаний, то есть набор методов, используемых в рамках гибридной модели, жестко задается разработчиком.

Во-вторых, открытым остается вопрос разработки обменных форматов для интеллектуальных систем. В настоящее время существует достаточно много работ по созданию форматов обмена фрагментами знаний для интеллектуальных систем. Одной из последних разработок является язык PMML [8], основанный на нотации XML. Данный формат позволяет описывать модели, использующие методы деревьев решений, обобщенную регрессию, нейронный сети, методы кластерного анализа и др. Но в рамках PMML нельзя организовать взаимодействие между разнотипными компонентами, построить гибридную структуру процесса решения задачи.

Таким образом, остается актуальной задача разработки открытой и расширяемой системы, которая позволяла бы гибко комбинировать разнотипные модели представления знаний в рамках процесса решения одной проблемы. Одним из важных аспектов в построении подобной системы является разработка соответствующих форматов для адекватного описания гибридных систем и обмена базами знаний для различных форм представления знаний. Программно данная система может быть реализована в виде оболочки экспертной системы.


Постановка задачи и ее реализация

Данная работа представляет подход к построению оболочки гибридной интеллектуальной системы. Ключевым отличием его от существующих разработок является открытость для добавления модулей, основанных на различных методах обработки данных. Разработанная гибридная модель представления знаний позволяет описывать решение сложной задачи в виде взаимосвязанной совокупности более простых подзадач, для каждой из которых возможно использовать различные парадигмы представления знаний. В итоге система принятия решения может представлять собой сложную конструкцию из взаимосвязанных нейронных сетей, фрагментов символьных баз данных, статистических моделей и т.д.

Для каждой задачи, вне зависимости от метода формализации ее решения, разработано внешнее семантическое окружение. Оно является базой для построения стандартного интерфейса модуля решения задачи и обеспечивает возможность его сопряжения с другими модулями вне зависимости от процедур, лежащих в основе его функционирования. Основой для интеграции разнородных модулей является формат описания решающих моделей основанный на нотации XML.

Структура базы знаний задается в виде направленного графа, узлы которого представляют модули обработки данных, а ребра задают направление и последовательность решения подзадач.

Классическим способом описания графовых моделей является использование матриц инциденции и матриц смежности. Однако в данном случае проблема машинного представления графа усложняется тем, что вместе со структурой графа необходимо хранить описание отдельной задачи.

Для представления структуры знаний в теории систем искусственного интеллекта разработан язык семантических сетей [10, 11]. Однако для описания иерархически декомпозированных задач такой подход может оказаться избыточным, так как задачи связаны однородными дугами. Кроме того, процедуры вывода по древовидному графу значительно проще процедур вывода по семантической сети.

Для представления графовых моделей разработано несколько языков, обзор которых приведен в работе [3]. Указанные языки являются специализированными, и позволяют описывать максимально широкий круг графов. Как отмечает автор обзора, одним из недостатков указанных форматов является то, что они зачастую избыточны для решения практических задач, а указанная избыточность требует построения сложных лексических анализаторов (парсеров). На основании вышесказанного сделан вывод о целесообразности разработки языка представления графовой модели.

Напомним, что в нашем случае мы будем описывать направленные иерархические графы с однородными связями, допускающими наличие различных путей к нижележащей вершине и неоднородными вершинами. С учетом вышесказанного предлагается описание ребер включить в описание вершины (по типу матриц инциденции), что позволит по описанию отдельной подзадачи определить необходимо ли для ее решения решить дополнительные задачи, и если да, то какие.

Укрупнено описание графа связей задач может состоять из следующих частей:
- Общее описание базы знаний (предметная область, общая задача, описание целевого показателя, автор базы знаний, источник знаний и т.д.).
- Собственно описание графа связей задач, состоящее из описаний отдельных узлов, включающих:
1.Наименование задачи
2.Описание ее целевых параметров
3.Список задач, непосредственно связанных с текущей задачей, которые необходимо решить для применения текущего модуля решения
4.Ссылка на метод и базу знаний для решения данной задачи.

Основой для разработки послужила модель, используемая в системе ``Аналитик'' [9], а также технология создания распределенных интеллектуальных систем, предложенная в работе [12].

Отличительная особенность графовой модели - возможность использования нескольких парадигм представления знаний при решении одной задачи. Для отдельной задачи может быть сформировано несколько баз знаний. Они будут иметь общий целевой параметр (группу параметров), но могут использовать для решения различные наборы исходных данных. Пример подобного графа показан на рис. 1. Наличие элемента выбора (C) показывает, что задачи А2 и А3 имеют один целевой показатель и для решения А0 необходимо решить задачу А1 и одну из задач А2 - А3, которые, в свою очередь решаются на различных наборах исходных данных (А6 - А8, А8 - А9, соответственно). Для определения того, с какого метода начинать решать задачу (на рис. 1 - выбор между А2 и А3) предложено ввести приоритет, определяемый экспертным путем на этапе построения базы знаний.

Рисунок 1 – Пример графа связей задач с альтернативными методами решения задач


В качестве основы формата обмена базами знаний были разработаны язык обмена обученными нейросетевыми моделями [7] (с описанием данного языка можно ознакомиться на сайте www.nnml.alt.ru) и язык описания баз знаний, представленных в виде правил-продукций. Данные языки разработаны с использованием нотации XML (eXtensible Markup Language) [1], что позволяет применять их при построении интеллектуальных систем с компонентами, взаимодействующими через Интернет.

Язык описания взаимосвязей отдельных задач находится в стадии разработки. Его основной отличительной особенностью является то, что модули решения отдельных задач могут включаться не только последовательно, но и параллельно, что обеспечивает возможность существования альтернативных путей решения отдельной задачи.


Заключение

Программно реализована оболочка экспертной системы. Ее особенностями являются:
- возможность визуального конструирования графа связей задач;
- возможность подключения внешних модулей формирования и решения задач (в виде DLL библиотек), что обеспечивает расширяемость набора методов решения задач;
- поддержка выбора пользователем альтернативных решений одной задачи.

Часть экрана оболочки интеллектуальной системы при формировании графа связей задач для проблемы оценки финансового состояния предприятия показана на рис. 2. В правой части экрана пользователь видит граф связей и панель инструментов для его редактирования, а в левой - свойства выделенной им вершины.


Список литературы

1. Extensible Markup Language (XML) 1.0. W3C Recommendation. http://www.w3.org/TR/1998/REC-xml-19980210.

2. Fernando S. OsoHrio, Bernard Amy. INSS: A hybrid system for constructive machine learning / Neurocomputing 28 (1999). P. 191-205.

3. Himsolt M. GML: A portable Graph File Format. http://infosun.fmi.uni-passau.de/Graphlet/GML/gml-tr.html

4. Honavar V., L. Uhr. Integrating Symbol Processing and Connectionist Networks. - Invited chapter. In: Intelligent Hybrid Systems. 1995, pp. 177-208. Goonatilake, S. and Khebbal, S. (Ed.) London: Wiley.

5. MacGarry K., Wermter S., MacIntyre J. Hybrid neural system: from simply coupling to fully integrated neural network// Neural computing surveys, 2, 1999, pp. 62-93.

6. Mustajoki J., Hamalainen R.P. Web-HIPRE: Global decision support by value tree and AHP analysis, INFOR, Vol. 38, no. 3, Aug. 2000, pp. 208-220.

7. NNML: Neural Network Markup Language. www.nnml.alt.ru

8. PMML 1.1 - Predictive Model Markup Language. http://www.dmg.org/html/pmml_v1_1.html

9. Бутаков С.В., Рубцов Д.В. Взаимодействие интеллектуальных компонентов информационных систем через Internet / Информационные технологии. - 2000. 4. 52-53.

10. Искусственный интеллект; В 3 кн. Кн.2 Модели и методы; Справочник /Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990. - 304 с.

11. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ.-М.: Наука, 1987.-288 с.

12. Пятковский О.И., Рубцов Д.В., Бутаков С.В. Система анализа финансово - хозяйственных показателей деятельности предприятия // Информационные технологии. - 1999 8. С. 31- 34.


вверх