Область искусственного интеллекта имеет истории своего развития более сорока лет. С самого начала в ней стоял ряд сложнейших задач, проблема решений которых остается и на сегодняшний день актуальной. Одной из задач предметной области, является проблема организации экспертных систем (ЭС).

Функционирование ЭС подразумевает использование знаний, манипулируя ими на основе базы эвристических правил, которые были сформулированных экспертами. ЭС предназначены для проведения анализов, получения консультации, выявления диагнозов. Они ориентированы на задачи, решение которых, потребовало бы привлечение экспертов. Проблема экспертных систем заключается в необходимости постоянного обновления базы знаний, невыполнение чего может привести к негативным последствиям.

1. Актуальность темы

Экспертные системы являются актуальными в данный момент, но возникают проблемы, при их использовании спустя определенный промежуток времени. Эти проблемы заключается в том, что информация, которую использует система, устаревает; объемов баз знаний становится недостаточно для решения новых задач. Обновление данных с участием эксперта не всегда возможно, поэтому актуально использовать обновление баз знаний с применением сети Интернет, как в автоматическом режиме, так и с участием пользователя. Идея заключается во внедрении онтологии в экспертную систему, что позволит системе получать знания из сети Интернет.

2. Цель и задачи исследования

Целью магистерской работы является внедрение онтологии в экспертную систему.

Для решения этой проблемы необходимо выполнить следующие этапы:

- рассмотреть применение и классификацию онтологии;

- рассмотреть методы построения экспертных систем;

- определить, каким образом можно автоматизировать обновление знаний экспертной системы;

- определить, с помощью каких подходов и методов, можно производить поиск информации.

3. Предполагаемая научная новизна

Предполагаемая новизна заключается в разработке моделей и алгоритмов взаимосвязи экспертной системы с методами и подходами онтологии, для поиска информации в сети Интернет.

4. Обзор исследований и разработок по теме

На сегодняшний день существует не менее десятка зарубежных систем, относимых к классу инструментов онтологического инжиниринга, которые поддерживают различные формализмы для описания знаний и используют различные машины вывода из этих знаний.

Несмотря на довольно большое количество систем, их назначение ориентировано на узкий круг решения проблем. Каждая выполняет свое назначение, поэтому их применение в экспертных системах становится невозможным.

Обзор исследований подразумевает рассмотрение уже существующих методов и подходов, либо же использование предложенных идей при реализации системы.

4.1 Мировой уровень

Наиболее известные из них – это: Protégé, CYC, KAON2, OntoEdit, KADS22.

Protégé (http://protege.stanford.edu) — это свободный, открытый редактор онтологий и фреймворк для построения баз знаний.

Платформа Protégé поддерживает два основных способа моделирования онтологий посредством редакторов Protégé-Frames и Protégé-OWL. Онтологии, построенные в Protégé, могут быть экспортированы во множество форматов, включая RDF (RDF Schema), OWL и XML Schema.

Protégé имеет открытую, легко расширяемую архитектуру за счёт поддержки модулей расширения функциональности.

Protégé поддерживается значительным сообществом, состоящим из разработчиков и ученых, правительственных и корпоративных пользователей, использующих его для решения задач, связанных со знаниями, в таких разнообразных областях, как биомедицина, сбор знаний и корпоративное моделирование.

Protégé доступен для свободного скачивания с официального сайта вместе с плагинами и онтологиями [14].

CYC (http://www.cyc.com) — проект по созданию объёмной онтологической базы знаний, позволяющей программам решать сложные задачи из области искусственного интеллекта на основе логического вывода и привлечения здравого смысла.

Проект начал Дуглас Ленат в 1984 году в Microelectronics and Computer Technology Corporation. Название «Cyc» (образованное от англ. encyclopedia и произносимое как «цик») является зарегистрированной торговой маркой компании Cycorp, Inc в Остине, которой управляет Ленат и созданной для разработки Cyc. База знаний является собственностью компании, однако небольшая часть базы, предназначенная для установления общего словаря для программ автоматического рассуждения, была выпущена как OpenCyc под открытой лицензией. Позднее, Cyc стала доступной для исследователей ИИ под специальной исследовательской лицензией как ResearchCyc.

Типичным примером знаний в базе являются «Всякое дерево является растением» и «Растения смертны». Если спросить «умирают ли деревья?», машина логического вывода может сделать очевидный вывод и дать правильный ответ. База Знаний (англ. Knowledge Base или KB) содержит более миллиона занесённых туда людьми утверждений, правил и общеупотребительных идей. Они формулируются на языке CycL, который основан на исчислении предикатов и имеет схожий с лиспом синтаксис. Англоязычные пользователи шутят что они «велосипедисты» (от англ. cyclist — велосипедист).

Большая часть сегодняшней работы в проекте Cyc все ещё связана с инженерией знаний — описание фактов об окружающем мире вручную и реализация эффективных механизмов логического вывода на основе этих знаний. Однако ведётся работа над тем, чтобы дать системе Cyc возможность самостоятельно общаться с пользователями на естественном языке, и над ускорением процесса пополнения базы с помощью машинного обучения [15].

OntoEdit (http://www.ontoprise.de/products/ontoedit) - первоначально был разработан в институте AIFB (Institute of Applied Informatics and Formal Description Methods) Университета Karlsruhe (сейчас коммерциализован Ontoprise GmbH) выполняет проверку, просмотр, кодирование и модификацию онтологий. В настоящее время OntoEdit поддерживает языки представления: FLogic, включая машину вывода, OIL, расширение RDFS и внутреннюю, основанную на XML, сериализацию модели онтологии используя OXML - язык представления знаний OntoEdit (OntoEdit’s XML-based Ontology representation Language). К достоинствам инструмента можно отнести удобство использования; разработку онтологии под руководством методологии и с помощью процесса логического вывода; разработку аксиом; расширяемую структуру посредством плагинов, а также очень хорошую документацию [16].

KAON2 (http://kaon2.semanticweb.org) — инфраструктура для управления онтологиями OWL-DL, SWRL, и F-Logic. Запросы могут быть сформулированы на SPARQL [17].

KADS22 (http://hcs.science.uva.nl/projects/kads22/index.html) — инструмент поддержки проектирования моделей знаний согласно методологии CommonKADS. Онтологии составляют часть таких моделей знаний (другая часть - модели вывода). Модели CommonKADS определены в CML (Conceptual Modeling Language). KADS22 - интерактивный графический интерфейс для CML со следующими функциональными возможностями: синтаксический анализ файлов CML, печать, просмотр гипертекста, поиск, генерация глоссария и генерация HTML [18].

Большой вклад в сферу искусственного интеллекта принес кандидат наук по специальности «Системы и средства искусственного интеллекта» Щербак С.С. ,создав блог, где обсуждаются различные проблемы искусственного интеллекта, онтологий и Semantic Web (Shcherbak.net).

4.2 Национальный уровень

В Киевском институт кибернетики им. В.М. Глушкова А.В. Гречко предложили построение онтологии метода анализа иерархий Т. Саати для методологической систематизации данных и интерфейсов в реализации системы экспертного анализа, интегрированной в Интернет [19].

В харьковском политехническом университете Е.А. Оробинская, О.И. Король и Н.В. Шаронова предложили стратегию автоматизированного построения онтологии на основе анализа патентно-конъюктурной информации [20].

4.3 Разработки Донецкого национального технического университета

На факультете компьютерных наук и технологий, в статье «Исследование применения онтологических моделей для семантического поиска» Болотова В.И. предполагает прояснение ситуации с определением понятий «онтология» и «свойство онтологии», анализ существующих классификаций свойств и обсуждение возможности их использования для систематического оценивания онтологий и их моделей на практике [12].

На факультете компьютерных наук и технологий, в статье «Разработка онтологической модели для семантического поиска информации в электронной библиотеке» Бажанова А.И. разрабатывает алгоритм для автоматизированного расширения онтологий семантическими образами текстов, позволяющий получать данные релевантные запросу пользователя [13].

5. Понятие онтологии

Согласно определению Т. Грубера, онтология - это спецификация концептуализации предметной области. Это формальное и декларативное представление, которое включает словарь понятий и соответствующих им терминов предметной области, а также логические выражения (аксиомы), которые описывают множество отношений между понятиями. Для описания отношений в онтологиях используются весь арсенал формальных моделей и языков, разработанных в области искусственного интеллекта – исчисление предикатов, системы продукций, семантические сети, фреймы и т.п. Таким образом, модный сегодня термин «онтология» оказался близок по значению к термину «искусственный интеллект» [1].

6. Классификация онтологий

В проектировании онтологий условно можно выделить два направления:

- первое связано с представлением онтологии как формальной системы, основанной на математически точных аксиомах;

- второе направление связано с компьютерной лингвистикой и когнитивной наукой.

Таким образом, существует два альтернативных подхода к созданию и исследованию онтологий:

- формальный, основанный на логике (предикатов первого порядка, дескриптивной, модальной и т.п.).

- лингвистический, основанный на изучении естественного языка.

Независимо от различных подходов можно выделить 3 основных принципа классификации онтологий:

- по степени формальности;

- по наполнению, содержимому;

- по цели создания [2].

6.1 Классификация по степени формальности «Спектр онтологий»

Обычно люди и компьютерные агенты (программы) имеют некоторое представление значений терминов. Программные агенты иногда предоставляют спецификацию входных и выходных данных, которые могут быть использованы как спецификация программы. Сходным образом онтологии могут быть использованы, чтобы предоставить конкретную спецификацию имен терминов и значений терминов. В рамках такого понимания существует простор для вариаций. Онтологии могут быть представлены как спектр в зависимости от деталей реализации.

Рис. 6.1. Спектр онтологий

На рисунке 6.1 изображен, так называемый, спектр онтологий по степени формальности представления, использованию тех или иных формальны элементов. Каждая точка соответствует наличию некоторых ключевых структур в онтологии, отличающих ее от других точек на спектре. Косая черта условно отделяет онтологии от других ресурсов, имеющих онтологический характер.

Первой точке на спектре соответствует контролируемый словарь, т.е. конечный список терминов (простейшим примером является каталог на основе идентификаторов). Каталоги представляют точную (не многозначную) интерпретацию терминов.

Другой спецификацией онтологии может быть глоссарий, представляющий список терминов с их значениями. Значения описываются в виде комментариев на естественном языке. Это дает больше информации, поскольку люди могут прочесть такой комментарий и понять смысл термина. Интерпретации терминов могут быть многозначными. Глоссарии непригодны для автоматической обработки программными агентами, но можно, как и ранее, присвоить терминам ID.

Тезаурусы несут дополнительную семантику, определяя связи между терминами. Отношения свойственные для тезаурусов: синонимия, иерархическое отношение и ассоциация. Обычно тезаурусы в явном виде не имеют иерархии терминов, но она может быть восстановлена.

Далее следует точка «формальные таксономии». Эти онтологии включают точное определение отношения isA (класс-подкласс). В таких системах строго соблюдается транзитивность отношения isA: если В – является подклассом класса А, то каждый подкласс класса В также является подклассом класса А. А для отношения класс-экземпляр (isInstanceOf) выполнятся следующее свойство: если В – является подклассом класса А, то каждый экземпляр класса В также является экземпляром класса А.

Следующая точка - наличие формального отношения класс-экземпляр. Некоторые классификации включают только имена классов, другие содержат на нижнем уровне экземпляры (индивиды). Данная точка спектра включает экземпляры классов.

Далее среди структурных элементов появляются фреймы. Здесь классы (фреймы) могут иметь информацию о свойствах (слотах).

Большей выразительностью обладают онтологии, включающие ограничения на область значений свойств. Значения свойств берутся из некоторого предопределенного множества (целые числа, символы алфавита) или из подмножества концептов онтологии (множество экземпляров данного класса, множество классов). Можно ввести дополнительные ограничения на то, что может заполнять свойство.

В целом с необходимостью выразить больше информации, выразительные средства онтологии (и ее структура) усложняется.

Некоторые языки позволяют делать произвольные логические утверждения о концептах – аксиомы.

Языки описания онтология, подобные CycL и Ontolingua позволяют описывать утверждения на языке логики предикатов первого порядка (FOL) [2,7].

6.2 Классификация по цели создания

В рамках этой классификации выделяют 4 уровня:

- онтологии представления;

- онтологии верхнего уровня;

- онтологии предметных областей;

- прикладные онтологии.

Онтологии представления. Цель их создания: описать область представления знаний, создать язык для спецификации других онтологий более низких уровней. Пример: описание понятий языка OWL средствами RDF/RDFS.

Онтологии верхнего уровня. Их назначение в создании единой «правильной онтологии», фиксирующей знания общие для всех предметных областей и многократном использовании данной онтологии. Существует несколько серьезных проектов: SUMO, Sowa’s Ontology, Cyc. Но в целом попытки создать онтологию верхнего уровня на все случаи жизни пока не привели к ожидаемым результатам. Многие онтологии верхнего уровня похожи друг на друга. Они содержат одни и те же концепты: Сущность, Явление, Процесс, Объект, Роль и т.п.

Онтологии предметных областей. Назначение схоже с назначением онтологий верхнего уровня, но область интереса ограничена предметной областью (авиация, медицина, культура). Примеры: АвиаОнтология, CIDOC CRM, UMLS.

Прикладные онтологии. Назначение этих онтологий в том, чтобы описать концептуальную модель конкретной задачи или приложения. Они содержат наиболее специфичную информацию. Примеры проектов: TOVE, Plinius [6].

6.3 Классификация онтологий по содержимому

Рис. 6.2. Классификация онтологий по содержимому

Данная классификация (рисунок 6.2) очень похожа на предыдущую, но здесь упор делается на реальное содержимое онтологии, а не на абстрактную цель, преследуемую авторами [7].

6.4 Онтологии и обработка текстов на естественном языке

Для того чтобы применить онтологию для автоматической обработки текстов, в частности для решения задач информационного поиска, необходимо понятиям онтологии сопоставить набор языковых выражений (слов и словосочетаний), которыми понятия могут выражаться в тексте.

Процедура сопоставления понятий онтологий и языковых выражений может быть осуществлена различными способами. /p>

Предлагается создавать онтологию путем логического анализа, «сверху - вниз». При этом имена вводимых понятий должны отражать те признаки, которые заложены в основу деления. В результате получаются имена понятий достаточно громоздкие, неестественные, с ними трудно оперировать как разработчикам, так и возможным пользователям. Другой проблемой такого подхода является то, что при приписывании языковых выражений к логически обоснованной системе понятий получается, что одно и то же слово может соответствовать слишком большому количеству таких «правильных» понятий в зависимости от контекста, возникает излишняя многозначность лексической единицы.

Кроме того, тогда как небольшие онтологии могут быть построены методом сверху - вниз, разработка подробных онтологий для реальных приложений – нетривиальная задача. Более того, во многих предметных областях, знание, нужное для распространения и интеграции, содержится в основном в текстах. Из-за внутренних свойств человеческого языка, непростой задачей является связать знания, содержащиеся в текстах, с онтологиями, даже если бы была построена подробная онтология предметной области.

Второе направление, которое обычно обсуждается, это установление соответствий между иерархическими лексическими ресурсами типа WordNet и некоторой онтологией. WordNet-ресурсы описывают лексические отношения между значениями слов, представленные в виде отдельных единиц в иерархической сети – синсетов. Отношения между лексическими единицами в значительной мере отражают отношения объектов внешнего мира, поэтому такие ресурсы часто рассматриваются как особый вид онтологий – лексические или лингвистические онтологий.

Главной характеристикой лингвистических онтологий является то, что они связаны со значениями (“are bound to the semantics”) языковых выражений (слов, именных групп и т.п.). Лингвистические онтологии охватывают большинство слов языка, и одновременно имеют онтологическую структуру, проявляющуюся в отношениях между понятиями. Поэтому лингвистические онтологии могут рассматриваться как особый вид лексической базы данных и особый тип онтологии.

Третий путь – попытаться разработать единый ресурс, в котором были бы сбалансированы обе части: система понятий – и система лексических значений, что заключается в разумном разделении этих единиц в создаваемом ресурсе и аккуратном описании их взаимосвязей. Попытка такого подхода реализуется в онтологиях MikroKosmos и OntoSem [4,8,11].

7. Области применения онтологии

Онтологии разрабатываются и могут быть использованы при решении различных задач, в том числе для совместного применения людьми или программными агентами, для возможности накопления и повторного использования знаний в предметной области, для создания моделей и программ, оперирующих онтологиями.

Онтологии могут быть использованы везде, где требуется обработка данных, учитывающая их семантику. В силу изначальной ориентированности языка OWL на машинную обработку, правильное применение онтологий может, с одной стороны, существенно упростить и, с другой стороны, открыть новые возможности в разработке приложений, решающих задачи автоматизированной обработки и доступа к данным.

Одна из наиболее важных задач, которую можно решить, используя онтологии - это семантический поиск. В настоящее время проблема поиска информации в больших массивах сравнивается с проблемой Вавилонской башни. Эта проблема усугубляется еще и тем, что существующие поисковые механизмы осуществляют поиск информации без учета семантики слов, входящих в запрос, а также контекста, в котором они используются.

Основополагающими характеристиками информационно-поисковых систем является полнота и релевантность результатов поиска. Полнота поиска тесно связана с оперативностью охвата информации системой. Созданная однажды база данных Интернет-ресурсов является «слепком» состояния Сети в конкретный момент. Если эта база не будет обновляться постоянно и оперативно, присутствующие в ней ссылки на документы станут мертвыми. Кроме того, отсутствие оперативности, обновления баз данных не позволит пользователю отслеживать последние изменения в его предметной области. Полнота охвата ресурсов Сети - это один из двух главных аспектов характеристики полноты сетевой информационно-поисковой системы [10].

8. Разработка экспертной системы

Этапы разработки экспертных систем (ЭС) имеет существенные отличия от разработки обычного программного продукта. Опыт создания ЭС показал, что использование при их разработке методологии, принятой в традиционном программировании, либо чрезмерно затягивает процесс создания ЭС, либо вообще приводит к отрицательному результату. Использовать экспертные системы следует только тогда, когда разработка ЭС возможна, оправдана и методы инженерии знаний соответствуют решаемой задаче. Чтобы разработка экспертных систем была возможной для данного приложения, необходимо одновременное выполнение по крайней мере следующих требований:

- существуют эксперты в данной области, которые решают задачу значительно лучше, чем начинающие специалисты;

- эксперты сходятся в оценке предлагаемого решения, иначе нельзя будет оценить качество разработанной ЭС;

- эксперты способны вербализовать (выразить на естественном языке) и объяснить используемые ими методы, в противном случае трудно рассчитывать на то, что знания экспертов будут «извлечены» и вложены в экспертных системах;

- решение задачи требует только рассуждений, а не действий;

- задача не должна быть слишком трудной (т.е. ее решение должно занимать у эксперта несколько часов или дней, а не недель);

- задача хотя и не должна быть выражена в формальном виде, но все же должна относиться к достаточно «понятной» и структурированной области, т.е. должны быть выделены основные понятия, отношения и известные (хотя бы эксперту) способы получения решения задачи;

Применение ЭС может быть оправдано одним из следующих факторов:

- решение задачи принесет значительный эффект, например экономический;

- использование человека-эксперта невозможно либо из-за недостаточного количества экспертов, либо из-за необходимости выполнять экспертизу одновременно в различных местах;

- использование ЭС целесообразно в тех случаях, когда при передаче информации эксперту происходит недопустимая потеря времени или информации;

Приложение соответствует методам экспертных систем, если решаемая задача обладает совокупностью следующих характеристик:

- задача может быть естественным образом решена посредством манипуляции с символами (т.е. с помощью символических рассуждений), а не манипуляций с числами, как принято в математических методах и в традиционном программировании;

- задача должна иметь эвристическую, а не алгоритмическую природу, т.е. ее решение должно требовать применения эвристических правил. Задачи, которые могут быть гарантированно решены (с соблюдением заданных ограничений) с помощью некоторых формальных процедур, не подходят для применения экспертных систем;

- задача должна быть достаточно сложна, чтобы оправдать затраты на разработку экспертных систем. Однако она не должна быть чрезмерно сложной (решение занимает у эксперта часы, а не недели), чтобы ЭС могла ее решать;

- задача должна быть достаточно узкой, чтобы решаться методами ЭС, и практически значимой.

При разработке ЭС, как правило, используется концепция «быстрого прототипа». Суть этой концепции состоит в том, что разработчики не пытаются сразу построить конечный продукт. На начальном этапе они создают прототип ЭС. Прототипы должны удовлетворять двум противоречивым требованиям:

- с одной стороны, они должны решать типичные задачи конкретного приложения

- с другой - время и трудоемкость их разработки должны быть весьма незначительны, чтобы можно было максимально запараллелить процесс накопления и отладки знаний (осуществляемый экспертом) с процессом выбора программных средств. /p>

Для удовлетворения указанным требованиям, как правило, при создании прототипа используются разнообразные средства, ускоряющие процесс проектирования.

В ходе работ по созданию экспертных систем сложилась определенная технология их разработки, включающая шесть следующих этапов (Рисунок 8.1):

- идентификация;

- концептуализации;

- формализация;

- выполнение;

- тестирование;

- опытная эксплуатация.

Рис. 8.1. Технология разработки ЭС

На этапе идентификации определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей.

На этапе концептуализации проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.

На этапе формализации выбираются инструментальные средства и определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.

На этапе выполнения осуществляется наполнение базы знаний, создание прототипа ЭС.

Главное в создании прототипа заключается в том, чтобы этот прототип обеспечил проверку адекватности идей, методов и способов представления знаний решаемым задачам.

В ходе этапа тестирования производится оценка выбранного способа представления знаний в ЭС в целом. Для этого инженер по знаниям подбирает примеры, обеспечивающие проверку всех возможностей новой ЭС.

Различают следующие источники неудач в работе системы: тестовые примеры, ввод-вывод, правила вывода, управляющие стратегии.

Показательные тестовые примеры являются наиболее очевидной причиной неудачной работы экспертных систем. Поэтому при подготовке тестовых примеров следует классифицировать их по проблемам предметной области, выделяя стандартные случаи, определяя границы трудных ситуаций и т.п.

На этапе опытной эксплуатации проверяется пригодность экспертных систем для конечного пользователя. Пригодность экспертных систем для пользователя определяется в основном удобством работы с ней и ее полезностью.

В ходе разработки экспертных систем почти всегда осуществляется ее модификация. Выделяют следующие виды модификации системы: переформулирование понятий и требований, переконструирование представления знаний в системе и усовершенствование прототипа [3,5,9].

9. Внедрение онтологии в экспертную систему

Если представить экспертную систему в общем виде, то мы уведем программу, состоящую из классов и объектов, имеющие заданные значения свойств. Каждый раз при обращении к системе пользователь задает определенные свойства объекта, по которому хочет получить рекомендацию. Не всегда система обладает знаниями, которые хотел бы получить пользователь, поэтому необходимо внедрить механизм, который будет хранить информацию о запросах к ЭС, тех случаев, когда в базе знаний не нашлось подходящего решения. Именно опираясь на эту информацию, программа должна собирать статистику запросов пользователей. Если запросы, или определенная часть структуры запросов, для которой нет решения, повторились,- есть смысл производить поиск информации на внешних ресурсах. В этом случае формируется запрос к онтологии, с уже сформированной по статистике, структурой свойств. С помощью онтологических методов мы производим поиск информации на внешних ресурсах. После того, как мы отправили запрос поисковой системе, проанализировали информацию и у нас уже есть конечный результат, мы можем передавать информацию из онтологии в нашу систему, тем самым, обновляя знания. Желательно, чтобы процесс обновления базы знаний происходил в диалоге с пользователем, так как не всегда информация, размещенная в сети Интернет, является корректной. Так же, желательно, чтобы поиск знаний и обновление, происходили по требованию пользователя, без учета статистики. Возможны случаи, когда поиск информации по заданной структуре запроса не даст результатов, таким образом, обновления знаний не будут произведены.

Можно производить обновления знаний ЭС в автоматическом режиме, то есть, обновляя данные с определенной периодичностью, но мы не должны забывать о доли риска, так как информация, находящаяся в базе знаний будет иметь не точности. Так же, стоит отметить, что такие действия повлекут аппаратные и ресурсные затраты, что приведет, в последствии, к дополнительным финансовым затратам.

Желательно, чтобы в ЭС была внедрена система безопасности, которая будет защищать, от постороннего доступа, тем самым, уменьшая количество нежелательных пользовательских запросов, которые повлекут к обновлению знаний.

Мы должны понимать, что онтология и система не должна противоречить друг другу, то есть их структуры должны быть схожими.

Классы и экземпляры онтологии переносятся в среду ЭС. Как правило, они отображаются на классы и экземпляры языка программирования, на котором реализуется система.

Аксиомы, построенные на этапе создания онтологии, отражаются частично в структуре классов среды программирования ЭС, а частично в правила ЭС. После выполнения каждого правила, которое изменяет, удаляет или добавляет факты, в онтологии происходит контроль противоречий, что будет защищать ее от вхождения в противоречивое состояние. На анимации 9.1 приведено взаимодействие онтологии с ЭС.

Рис. 9.1. Взаимодействие онтологии с ЭС (анимированный рисунок: размер - 133 килобайт, время воспроизведения -15 сек. число кадров – 27, циклов повторения - 4).

Выводы

Экспертные системы являются наиболее известным и распространённым видом интеллектуальных систем.

Как и любые другие системы, они имеют ряд своих особенностей:

- экспертные системы ориентированы на решение широкого круга задач в неформализованных областях, на приложения, которые до недавнего времени считались малодоступными для вычислительной техники.

- с помощью экспертных систем специалисты, не знающие программирования, могут самостоятельно разрабатывать интересующие их приложения, что позволяет резко расширить сферу использования вычислительной техники.

- при решении практических задач экспертные системы достигают результатов, не уступающих, а иногда и превосходящих возможности людей–экспертов, не оснащённых ЭВМ.

Внедрение онтологии в экспертную систему позволит сэкономить, как у экспертов, так и у конечных пользователей огромное количество времени на обновлении знаний, а так же средства на привлечения специалистов, и обеспечит более точные результаты работы.

Список литературы

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).

Важное замечание

При написании данного реферата, магистерская работа еще не завершена. Окончательное завершение: январь 2013 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.