Українська   English
ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

Экспертные системы – сложные системы, которые создаются для того, чтобы помогать специалистам-экспертам в различных областях для разрешения проблемных ситуаций. Они широко используются во многих сферах деятельности. Существует два вида знаний: коллективные знания и личный опыт. Экспертные системы создаются, чтобы специалист мог поделиться личным опытом с системой, а она свою очередь поможет другим менее квалифицированным пользователям в данной области.

1. Актуальность темы

Одним из наиболее перспективных и динамично развивающихся областей искусственного интеллекта являются онтологии. Такое состояние дел делает актуальной задачу поиск новых путей развития инструментальных средств работы с онтологиями, и, в частности, редакторов онтологий. Под онтологией можно понимать:

Еще совсем недавно редакторы онтологий относились к системам, более предназначенным только для полноценного описания понятий различных предметных областей, с достаточно слабой инструментальной базой для ввода правил или продукций. Такое состояние позволяло рассматривать два класса систем: редакторы онтологий, с одной стороны, и – экспертные системы и инструментальные системы для создания экспертных систем, с другой стороны. В настоящее время редакторы онтологий для больше приобретаю черты инструментальных системы для создания экспертных систем, но построенных уже, в отличие от старых систем такого класса, на базе полноценной модели предметной области. Современные онтологии выполняют три задачи:

2. Цель и задачи исследования, планируемые результаты

Целью исследования является:

Исследование методов организации логического вывода в интеллектуальных паттернах, построенных как онтологии объектов с физической семантикой

Основные задачи исследования:

Разработка экспертной системы с применением логического вывода в интеллектуальных паттернах, построенных как онтологии объектов с физической семантикой. Объект исследования: средств организации логического вывода, средство верификации базы знаний, онтологии. Предмет исследования: эффективность средств организации логического вывода, средств верификации базы знаний, онтологий, возможность разработка экспертной системы на основе этих компонентов. Планируется доказать, что:

Постановка задачи:

Существует различное множество реализаций экспертных систем. В данной статье рассматривается возможность разработки экспертной системы с использованием логического вывода логического вывода в интеллектуальных паттернах, построенных как онтологии объектов с физической семантикой. Существующий инструмент паттернов (шаблонов) позволяет выбрать конкретный класс некоторого типа, но в очень ограниченной форме. Если сделать паттерн интеллектуальным (продукционным) это сильно повысило бы его эффективность. Задуманная реализация предполагает, чтобы паттерн был модулем знаний с такой структурой:

Т.е. на входе:

На выходе:

Также данная реализация позволила бы синтезировать программный код на базе продукционного подхода.

3. Обзор исследований и разработок

Исследуемая тема популярна не только в международных, но и в национальных научных сообществах.

В данном разделе будет представлен обзор исследований в области верификации базы знаний, средств организации логического вывода, онтологии.

3.1 Обзор международных источников

В работе Правила и онтологии для семантической сети, Томас Е., Гиовамбаттиста И., Томас К., Алекс П. [2], рассматриваются правила и онтологии, которые играют ключевую роль в многоуровневой архитектуре семантической сети Интернет, поскольку они используются для приписывания значения данным в сети и для их обсуждения. Хотя уровень онтологий семантической сети достаточно развит, а язык веб-онтологий (OWL) является рекомендацией W3C уже несколько лет, уровень правил гораздо менее развит и является активной областью исследований; К настоящему времени был выдвинут ряд инициатив и предложений, но ни один стандарт еще не выпущен. Вокруг многих реализаций механизмов правил, которые так или иначе работают с данными семантической паутины. В этой статье дается исчерпывающий, обзор таких систем, описываются поддерживаемые ими языки и устанавливаются их взаимосвязи с теоретическими подходами к объединению правил и онтологий, как это предусмотрено в архитектуре семантической паутины. Рассматриваются технические проблемы, лежащие в основе интеграции правил и онтологий, и классифицируются репрезентативные предложения теоретических подходов к интеграции по различным категориям.

В работе Экспертная система на основе онтологий для врачей общей практики по диагностике сердечно-сосудистых заболеваний [3], представлена экспертная система, помогающая врачам общей практики (GP) диагностировать любые заболевания коронарных артерий. Система предоставляет экспертам стратегии диагностики, которые могут быть использованы, и предлагает лекарства и/или другие необходимые операции, которые необходимо предпринять, вместе с объяснением данного решения. Дизайн системы зависит от онтологических знаний о симптомах пациента для создания базы знаний, а затем она использует язык правил семантической паутины (SWRL), чтобы определить подходящее лекарство и необходимую операцию для пациента. Система была протестирована несколькими врачами общей практики с использованием 16 экземпляров для проверки валидации и оценки системы. Коэффициенты напоминания и точности были рассчитаны соответственно 0,83 и 0,87.

3.2 Обзор национальных источников

В работе Комплексная верификация продукционных баз знаний с использованием vtf-логик, Аршинский Л.В., Ермаков А.А., Нитежук М.С. [4], рассматривается процедура верификации продукционных баз знаний с использованием логик с векторной семантикой в варианте VTF-логик при специальном представлении фактов и правил. Также рассматривается применение для верификации аппарата логик с векторной семантикой, которые сохраняют способность к выводу при аномальных значениях истинности.

В статье Использование продукционных экспертных систем для анализа когнитивных моделей, Пестерев Д.В. [5], рассматривается возможность применения когнитивного моделирования в исследованиях энергетической безопасности. Автор рассматривает проблему, заключающуюся в ручном анализе когнитивных моделей, и предлагает использовать для автоматизации анализа возможности продукционных экспертных систем.

В работе Неклассические логики в задаче верификации продукционных баз знаний», Нитежук М.С., Аршинский Л.В. [6], рассматривается возможность применимости неклассических логических исчислений к задаче верификации продукционных баз знаний. Рассказывается, что хорошим подходом к верификации является использование логик с векторными семантиками в форме VTF-логик.

В статье Верификация данных в системах отслеживания задач с помощью продукционных правил, Катериненко Р.С., Бессмертный И.А.[7], предложена методика верификации данных в системах отслеживания задач с помощью модели продукционных правил . Описывается применение разработанной системы верификации для реального проекта разработки программного обеспечения.

В работе Семантическая технология проектирования баз знаний, Ивашенко В.П. [8], рассматривается технология проектирования баз знаний, основанная на универсальном семантическом способе кодирования знаний. Предлагается подход к построению баз знаний на модульной основе.

В статье Семантические особенности технической документации: онтологический взгляд на проблемы корректности, Сидорова Е. А., Гаранина Н.О., Кононенко И.С., Боровикова О.И. [9], рассматривается особенности технической документации с точки зрения извлечения необходимой содержательной информации. Главной особенностью предложенного подхода является использование онтологии как связующего звена между текстом и формальной верификацией.

В работе Модель логического вывода, Хорошавин Л.О., Шишмарев М.С., Диев А.Н., Шайкин А.Н. [10], предложена модель логического вывода в виде двудольного графа, где один тип вершин соответствует предикатным буквам, а другой, разбитый на два подтипа, дизъюнктам и благоприятным наборам, соответственно.

В статье Анализ редакторов онтологий с точки зрения представления классов и продукционных правил, Кутелёв Р.С., Пахота М.И., Григорьев А.В. [11], проведен сравнительный анализ редакторов онтологий. Выполнен анализ представления классов, паттернов. Изучена возможность использования продукций для синтеза классов в редакторах онтологий.

3.3 Обзор локальных источников

Рассмотрим работы других магистров.

В работе Чайки Валерия Андреевича Информационная система формирования базы знаний научно-технических мероприятий [12] рассматривается проблеме сохранения данных извлеченных из документов научно-технических мероприятий. Предложен способ решения данной проблемы путем перехода на более высокий уровень представления информации – семантический уровень.

В работе Билыка Никиты Олеговича Модели и алгоритмы обновления знаний экспертных систем на основе онтологического подхода [13] описывается процесс разработки экспертной системы и внедрение в нее онтологию. Автор рассматривает какие преимущества принесет такой подход.

4. Структура экспертной системы

Обобщённая структура экспертной системы представлена на рисунке 1[14].

Результаты экспериментальных исследований

Рисунок 1 – Обобщённая структура экспертной системы (8 кадров, 1 кадр в 1,2 секунды, 5 повторения)

4.1 База знаний в экспертных системах

Центральным элементом любой экспертной системы является база знаний. База знаний – ядро интеллектуальной системы, совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю[15].

Как правило, на начальном этапе разработки, базы знаний содержат достаточно большое количество ошибок. Это обусловлено, в первую очередь, тем, что в большинстве случаев обучающие интеллектуальные системы создаются для сложных, плохо формализуемых предметных областей. Ещё одним фактором, усложняющим разработку баз знаний, является трудоемкость получения знаний от эксперта. Наличие большого количества ошибок в базе знаний значительно ухудшает качество интеллектуальной системы в целом, что может приводить к частичной или даже полной её неработоспособности. В результате этого, возникает необходимость в постоянной верификации баз знаний интеллектуальных систем на протяжении всего их жизненного цикла. В настоящее время, наиболее распространёнными методами проверки баз знаний на корректность являются ручные методы, т.е. методы, при которых эксперт в предметной области вместе с инженером по знаниям последовательно проверяют знания на правильность, проводя различного рода тесты для выявления всевозможных ошибок. В данной ситуации очевидно, что с ростом объёмов и сложности базы знаний, многократно возрастают затраты на такого рода тестирование, что приводит к невозможности полной проверки знаний на корректность[16]

4.2 Логический вывод

На первый взгляд процесс вывода кажется достаточно простым – выполняются однотипные операции по перебору записей БЗ и сравнении их с имеющимися фактами, пока не будет найдено решение или некий целевой факт. Однако, управление процессом вывода, независящее от контекста проблемы не практике мало эффективно. При решении реальных задач человек крайне редко прибегает к перебору данных. Вместо этого, люди пользуются эвристическими правилами, которые значительно ограничивают пространство поиска решения и позволяет быстро и эффективно решать задачи. Эвристические знания имеют эмпирическую природу, то есть формируются на базе опыта и интуиции эксперта. Ярким примером превосходства эвристического подхода перед алгоритмическим (основанным на полном или частичном переборе) является игра в шахматы[17].

Существует два основных типа логического вывода: прямой и обратный. Прямой вывод соответствует обычному ходу решения задачи – от исходных фактов к целевым. Примером прямого вывода является задача классификации. ЭС осуществляет постепенное обобщение исходных фактов, описывающих свойства исследуемого объекта, выявляя наиболее характерные признаки того или иного класса. Обратный вывод соответствует, как следует из названия, обратной задаче – определить какие именно факты требуются для подтверждения данной цели. Этот тип вывода соответствует противоположному ходу решения: сначала машина вывода рассматривает те правила БЗ, действием которых является вывод целевого факта. Затем выбираются новые подцели из условий этих правил, и процесс продолжается от целевых фактов к исходным. Можно сказать, что при обратном выводе происходит конкретизация свойств исследуемого объекта. Этот вид логического вывода наделяет ЭС новым фундаментальным свойством – способностью объяснить, как было получено решение, или что требуется, для того, чтобы имел место тот или иной факт. В реальных системах, как правило, используется комбинация из прямого и обратного вывода[18].

4.3 Онтологии в экспертных системах

Онтология может составлять каркас базы знаний, создавать базис для описания основных понятий предметной области (ПО) и служить основой для интеграции баз данных, содержащих фактические знания, необходимые для полноценного функционирования экспертной системы. Кроме того, в терминах онтологии могут описываться экспертные правила, что значительно повышает их уровень описания и «понимаемость» пользователями-экспертами.

Система поддержки принятия решений – это интерактивная автоматизированная информационно–аналитическая система, которая помогает лицу, принимающему решения (ЛПР), использовать данные и модели для решения его профессиональных слабо формализуемых задач. СППР и ЭС – это системы практически одного класса, часто СППР в своем составе имеет несколько различных ЭС, поэтому все, что было сказано выше про роль онтологии в ЭС, относится и к СППР. Однако имеются аспекты использования онтологий, специфичные для СППР. Так, в виду слабой формализуемости решаемых СППР задач очень важно иметь детальное непротиворечивое описание проблемной области, в рамках которой СППР осуществляет поддержку решения задач ЛПР. Онтология является незаменимым инструментом для создания такого описания. В большинстве типов СППР используются большие массивы разнородных данных и знаний. Благодаря тому, что онтология позволяет явно описывать семантику данных и знаний, она обеспечивает базис для их интеграции и совместного использования при решении задач.

Портал научных знаний – это специализированный интернет-портал, обеспечивающий систематизацию знаний и информационных ресурсов заданной области знаний, их интеграцию в единое информационное пространство и содержательный доступ к ним. Онтология используется в качестве ядра информационной модели портала знаний. Вводя формальное описание системы понятий, существующих в области знаний портала, в виде классов объектов и отношений между ними, онтология также задает структуры для представления реальных объектов и связей между ними. В соответствии с этим данные в контенте портала представлены как множество разнотипных информационных объектов – экземпляров классов онтологии, связанных между собой отношениями, также заданными в онтологии. Это создает базис для удобной навигации по контенту портала и содержательного поиска в нем. При разработке СОЗ возможно использование онтологий, ранее разработанных для области знаний этих систем. Это позволяет переиспользовать уже проверенные на практике знания, что обеспечивает высокое качество создаваемых систем и их потенциальную интегрируемость с уже разработанными системами[19]

Выводы

В данной работе были выполнены задачи исследования:

На основе полученных знаний будет реализована экспертная система с применением логического вывода в интеллектуальных паттернах, построенных как онтологии объектов с физической семантикой.

Список источников

  1. Инструментальные средства проектирования онтологий, 2020 Режим доступа: [Ссылка] (дата обращения: 18.11.2020).
  2. Thomas E., Giovambattista I.,Thomas K., Axel P., Rules and Ontologies for the Semantic Web, Institut f`ur Informationssysteme, Technische Universit`at Wien Favoritenstrae, Department of Mathematics, Universit`a della Calabria, Digital Enterprise Research Institute, National University of Ireland, 2008 Режим доступа: [Ссылка] (дата обращения: 18.11.2020).
  3. Baydaa Taha Al-Hamadani, Raad Fadhil AlwanAn, Department of Computer Science, Zarqa University., Department of Computer Science, Philadelphia University., Ontology-Based Expert System for General Practitioners to Diagnose Cardiovascular Diseases, 2015 Режим доступа: [Ссылка] (дата обращения: 18.11.2020).
  4. Аршинский Л.В., Ермаков А.А., Нитежук М.С., Комплексная верификация продукционных баз знаний с использованием vtf-логик, иркутский государственный университет путей сообщения, 2020 режим доступа:[Ссылка] (дата обращения: 18.11.2020).
  5. Пестерев Д.В. Использование продукционных экспертных систем для анализа когнитивных моделей, Институт систем энергетики им. Л.А. Мелентьева, 2018, Режим доступа: [Ссылка] (дата обращения: 18.11.2020).
  6. Нитежук М.С., Аршинский Л.В., Неклассические логики в задаче верификации продукционных баз знаний, Иркутский государственный университет путей сообщения, 2020, Режим доступа: [Ссылка] (дата обращения: 18.11.2020).
  7. Катериненко Р.С., Бессмертный И.А., Верификация данных в системах отслеживания задач с помощью продукционных правил, Научно–технический вестник информационных технологий, механики и оптики, 2013 [Ссылка на сборник] (дата обращения: 18.11.2020).
  8. Ивашенко В.П. Семантическая технология проектирования баз знаний, Белорусский государственный университет информатики и радиоэлектроники, 2009 Режим доступа: [Ссылка] (дата обращения: 18.11.2020).
  9. Сидорова Е.А., Гаранина Н.О., Кононенко И.С., Боровикова О. И. Семантические особенности технической документации: онтологический взгляд на проблемы корректности, Институт систем информатики им А.П. Ершова СО РАН, 2018 Режим доступа: [Ссылка] (дата обращения: 18.11.2020).
  10. Хорошавин Л.О., Шишмарев М.С., Диев А.Н., Шайкин А.Н. Модель логического вывода, Российский химико-технический университет им Д. И. Менделеева, 2010 Режим доступа:[Ссылка] (дата обращения: 18.11.2020).
  11. Кутелёв Р.С., Пахота М.И., Григорьев А.В., Анализ редакторов онтологий с точки зрения представления классов и продукционных правил, Донецкий национальный технический университет, 2020 [Ссылка на сборник] (дата обращения: 18.11.2020).
  12. Чайка В.А. Информационная система формирования базы знаний научно-технических мероприятий, Донецкий национальный технический университет, 2020 Режим доступа: [Ссылка] (дата обращения: 18.11.2020).
  13. Билык Н.О. Модели и алгоритмы обновления знаний экспертных систем на основе онтологического подхода, Донецкий национальный технический университет, 2013 Режим доступа:[Ссылка] (дата обращения: 18.11.2020).
  14. Экспертные системы // [Ссылка]– Загл. с экрана; (дата обращения: 18.11.2020).
  15. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Учебник – СПб.:Изд-во «Питер». 2001 – 384 с.
  16. Рыбина Г.В. Автоматизированное построение баз знаний для интегрированных экспертных систем // Изв. РАН. Теория и системы управления. №5,1998, С.152-166.
  17. Элти Дж., Кумбис М., Экспертные системы: концепции о примеры. М.: Финансы и статистика, 1987.
  18. Муромцев Д.И. Введение в технологию экспертных систем. – СПб: СПб ГУ ИТМО, 2005. – 93 с.
  19. Загорулько Ю.А., Загорулько Г.Б., Институт систем информатики им. А.П.Ершова СО РАН, Онтологии и их практическое применение в системах, основанных на знаниях, Режим доступа: [Ссылка] (дата обращения: 18.11.2020).