Русский   English
ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

Зміст

Введення

Експертні системи – складні системи, які створюються для того, щоб допомагати фахівцям-експертам в різних областях для вирішення проблемних ситуацій. Вони широко використовуються в багатьох сферах діяльності. Існує два види знань: колективні знання і особистий досвід. Експертні системи створюються, щоб спеціаліст міг поділитися особистим досвідом із системою, а вона свою чергу допоможе іншим менш кваліфікованим користувачам в даній області.

1. Актуальність теми

Одним з найбільш перспективних і динамічно розвиваються областей штучного інтелекту є онтології. Такий стан справ робить актуальним завдання пошук нових шляхів розвитку інструментальних засобів роботи з онтологіями, і, зокрема, редакторів онтологій. Під онтологією можна розуміти:

Ще зовсім недавно редактори онтологій ставилися до систем, більш призначеним тільки для повноцінного опису понять різних предметних областей, з досить слабкою інструментальною базою для введення правил або продукцій. Такий стан дозволяв розглядати два класи систем: редактори онтологій, з одного боку, і – експертні системи та інструментальні системи для створення експертних систем, з іншого боку. В даний час редактори онтологій все більше здобувають риси інструментальних системи для створення експертних систем, але побудованих вже, на відміну від старих систем такого класу, на базі повноцінної моделі предметної області. Сучасні онтології виконують три завдання:

2. Мета і завдання дослідження, плановані результати

Метою дослідження є:

Дослідження методів організації логічного виведення інтелектуальних паттернах, побудованих як онтології об'єктів з фізичної семантикою

Основні завдання дослідження:

Розробка експертної системи з застосуванням логічного виведення інтелектуальних паттернах, побудованих як онтології об'єктів з фізичної семантикою. Об'єкт дослідження: коштів організації логічного висновку, засіб верифікації бази знань, онтології. Предмет дослідження: ефективність засобів організації логічного висновку, засобів верифікації бази знань, онтологій, можливість розробка експертної системи на основі цих компонентів. Планується довести, що:

Постановка завдання:

Існує різне безліч реалізацій експертних систем. У даній статті розглядається можливість розробки експертної системи з використанням логічного висновку логічного виведення інтелектуальних паттернах, побудованих як онтології об'єктів з фізичної семантикою. Існуючий інструмент патернів (шаблонів) дозволяє вибрати конкретний клас деякого типу, але в дуже обмеженій формі. Якщо зробити патерн інтелектуальним (продуктовим) це сильно підвищило б його ефективність. Задумана реалізація припускає, щоб патерн був модулем знань з такою структурою:

тобто на вході:

На виході:

Постановка задачі:

існує різна безліч реалізацій експертних систем. У даній статті розглядається можливість розробки експертної системи з використанням логічного виведення логічного висновку в інтелектуальних патернах, побудованих як онтології об'єктів з фізичною семантикою. Існуючий інструмент патернів (шаблонів) дозволяє вибрати конкретний клас деякого типу, але в дуже обмеженій формі. Якщо зробити патерн інтелектуальним (продукційним) це сильно підвищило б його ефективність. Задумана реалізація передбачає, щоб патерн був модулем знань з такою структурою:

тобто на вході:

на виході:

також дана реалізація дозволила б синтезувати програмний код на базі продукційного підходу.

3. Огляд досліджень і розробок

Досліджувана тема популярна не тільки міжнародних, але і в національних наукових спільнотах.

У даному розділі представлений огляд досліджень в області верифікації бази знань, засобів організації логічного висновку, онтології.

3.1 Огляд міжнародних джерел

В роботі Правила і онтології для семантичної мережі, Томас Е., Гиовамбаттиста В., Томас К., Алекс П. [2], розглядаються правила і онтології, які відіграють ключову роль в багаторівневій архітектурі семантичної мережі Інтернет, оскільки вони використовуються для приписування значення даними в мережі і для їх обговорення. Хоча рівень онтологій семантичної мережі досить розвинений, а мова веб-онтологій (OWL) є рекомендацією W3C вже кілька років, рівень правил набагато менш розвинений і є активною областю досліджень; До теперішнього часу було висунуто ряд ініціатив і пропозицій, але жоден стандарт ще не випущений. Навколо багатьох реалізацій механізмів правил, які так чи інакше працюють з даними семантичної павутини. У цій статті дається вичерпний огляд таких систем, що описуються підтримувані ними мови і встановлюються їх взаємозв'язку з теоретичними підходами до об'єднання правил і онтологій, як це передбачено в архітектурі семантичної павутини. Розглядаються технічні проблеми, що лежать в основі інтеграції правил і онтологій, і класифікуються репрезентативні пропозиції теоретичних підходів до інтеграції з різними категоріями.

У роботі Експертна система на основі онтологій для лікарів загальної практики з діагностики серцево–судинних захворювань [3], представлена експертна система, що допомагає лікарям загальної практики (GP) діагностувати будь-які захворювання коронарних артерій. Система надає експертам стратегії діагностики, які можуть бути використані, і пропонує ліки та/або інші необхідні операції, які необхідно зробити, разом з поясненням даного рішення. Дизайн системи залежить від онтологічних знань про симптоми пацієнта для створення бази знань, а потім вона використовує мову правил семантичної павутини (SWRL), щоб визначити відповідний ліки і необхідну операцію для пацієнта. Система була протестована декількома лікарями загальної практики з використанням 16 примірників для перевірки валідації та оцінки системи. Коефіцієнти нагадування і точності були розраховані відповідно 0,83 та 0,87.

3.2 Огляд національних джерел

У роботі Комплексна верифікація продукційних баз знань з використанням vtf-логік, Аршинский Ст. Л., Єрмаков А.А., Нитежук М.С. [4], розглядається процедура верифікації продукційних баз знань з використанням логік з векторною семантикою у варіанті VTF-логік при спеціальному поданні фактів і правил. Також розглядається застосування для верифікації апарату логік з векторною семантикою, які зберігають здатність до висновку при аномальних значень істинності.

У статті Використання продукційних експертних систем для аналізу когнітивних моделей, Пестерев Д.В. [5], розглядається можливість застосування когнітивного моделювання в дослідженнях енергетичної безпеки. Автор розглядає проблему, яка полягає в ручному аналізі когнітивних моделей, і пропонує використовувати для автоматизації аналізу можливості продукційних експертних систем.

У роботі Некласичні логіки в задачі верифікації продукційних баз знань, Нитежук М.С., Аршинский Ст. Л. [6], розглядається можливість застосування некласичних логічних числень до задачі верифікації продукційних баз знань. Розповідається, що хорошим підходом до верифікації є використання логік з векторними семантиками у формі VTF-логік.

У статті Верифікація даних відстеження завдань з допомогою продукційних правил, Катериненко Р.С., Безсмертний І.А.[7], запропоновано методику верифікації даних відстеження завдань з допомогою моделі продукційних правил . Описується застосування розробленої системи верифікації для реального проекту розробки програмного забезпечення.

У роботі Семантична технологія проектування баз знань, Ивашенко В.П. [8], розглядається технологія проектування баз знань, заснована на універсальному семантичному способі кодування знань. Пропонується підхід до побудови баз знань на модульній основі.

У статті Семантичні особливості технічної документації: онтологічний погляд на проблеми коректності, Сидорова Е.А., Гараніна Н.О., Кононенко В.С., Боровикова О.В. [9], розглядається особливості технічної документації з точки зору отримання необхідної змістовної інформації. Головною особливістю запропонованого підходу є використання онтології як сполучної ланки між текстом і формальної верифікацією.

У роботі Модель логічного виводу, Сидорова Е.А. [10], запропонована модель логічного виводу у вигляді двудольного графа, де один тип вершин відповідає предикативним буквах, а інший, розбитий на два підтипи, дизъюнктам і сприятливим наборів, відповідно.

У статті Аналіз редакторів онтологій з точки зору представлення класів і продукційних правил, Кутельов Р.С., Оранка М.І., Григор'єв А.В. Ст. [11], проведено порівняльний аналіз редакторів онтологій. Виконаний аналіз подання класів, патернів. Вивчено можливість використання продукцій для синтезу класів в редакторах онтологій.

3.3 Огляд локальних джерел

Розглянемо роботи інших магістрів.

У роботі Чайки Валерія Андрійовича Інформаційна система формування бази знань науково–технічних заходів [12] розглядається проблемі збереження даних, витягнутих з документів науково-технічних заходів. Запропонований спосіб вирішення даної проблеми шляхом переходу на більш високий рівень подання інформації – семантичний рівень.

У роботі Білика Микити Олеговича Моделі і алгоритми оновлення знань експертних систем на основі онтологічного підходу [13] описується процес розробки експертної системи і впровадження в неї онтологію. Автор розглядає які переваги принесе такий підхід.

4. Структура експертної системи

4.1 База знань в експертних системах

Центральним елементом будь–якої експертної системи є база знань. База знань – ядро інтелектуальної системи, сукупність знань предметної області, записана на машинний носій у формі, зрозумілій експертові і користувачеві[15].

Як правило, на початковому етапі розробки, бази знань містять досить велику кількість помилок. Це обумовлено, в першу чергу, тим, що в більшості випадків інтелектуальні навчальні системи створюються для складних, погано формалізованих предметних областей. Ще одним фактором, що ускладнює розробку баз знань, є трудомісткість отримання знань від експерта. Наявність великої кількості помилок у базі знань значно погіршує якість інтелектуальної системи в цілому, що може призводити до часткової або навіть повної її непрацездатності. В результаті цього, виникає необхідність у постійній верифікації баз знань інтелектуальних систем протягом всього їх життєвого циклу. В даний час, найбільш поширеними методами перевірки баз знань на коректність є ручні методи, тобто методи, при яких експерт в предметній області разом з інженером по знаннях послідовно перевіряють знання на правильність, проводячи різного роду тести для виявлення всіляких помилок. У цій ситуації очевидно, що із зростанням обсягів і складності бази знань, багаторазово зростають витрати на такого роду тестування, що призводить до неможливості повної перевірки знань на коректність[16]

4.2 Логічний висновок

На перший погляд процес виведення здається досить простим – виконуються однотипні операції по перебору записів БЗ і порівнянні їх з наявними фактами, поки не буде знайдено рішення або якийсь цільової факт. Проте, управління процесом виведення, незалежна від контексту проблеми не практиці мало ефективно. При вирішенні реальних завдань людина вкрай рідко вдається до перебору даних. Замість цього, люди користуються евристичними правилами, які значно обмежують простір пошуку рішення і дозволяє швидко і ефективно вирішувати завдання. Евристичні знання мають емпіричну природу, тобто формуються на базі досвіду та інтуїції експерта. Яскравим прикладом переваги евристичного підходу перед алгоритмічним (заснованим на повному або частковому переборі) є гра в шахи[17].

Існує два основних типи логічного висновку: прямий і зворотний. Прямий висновок відповідає звичайному ходу рішення задачі – від вихідних фактів до цільових. Прикладом прямого виводу є задача класифікації. ЕС здійснює поступове узагальнення вихідних фактів, що описують властивості досліджуваного об'єкта, виявляючи найбільш характерні ознаки того чи іншого класу. Зворотний висновок відповідає, як випливає з назви, зворотної задачі – визначити які саме факти потрібні для підтвердження даної мети. Цей тип виводу відповідає протилежного ходу рішення: спочатку машина виводу розглядає ті правила БЗ, дією яких є висновок цільового факту. Потім вибираються нові підцілі з умовами цих правил, і процес триває від цільових фактів до вихідних. Можна сказати, що при зворотному виведення відбувається конкретизація властивостей досліджуваного об'єкта. Цей вид логічного висновку наділяє ЕС новим фундаментальним властивістю – здатністю пояснити, як було отримано рішення, або що потрібно, для того, щоб мав місце той чи інший факт. В реальних системах, як правило, використовується комбінація з прямого і зворотного виводу[18].

4.3 Онтології в експертних системах

Онтологія може становити каркас бази знань, створювати базис для опису основних понять предметної області (ПО) і служити основою для інтеграції баз даних, що містять фактичні знання, необхідні для повноцінного функціонування експертної системи. Крім того, в термінах онтології можуть описуватися експертні правила, що значно підвищує їх рівень опису та «понимаемость» користувачами–експертами.

Система підтримки прийняття рішень – це інтерактивна автоматизована інформаційно-аналітична система, яка допомагає особі, що приймає рішення (ОПР), використовувати дані та моделі для розв'язання його професійних слабо формалізованих задач. СППР і ЕС – це системи практично одного класу, часто СППР у своєму складі має кілька різних ЕС, тому все, що було сказано вище про роль онтології в ЕС, відноситься і до СППР. Однак є аспекти використання онтологій, специфічні для СППР. Так, у вигляді слабкої формализуемости розв'язуваних завдань СППР дуже важливо мати детальне несуперечливе опис проблемної області, в рамках якої СППР здійснює підтримку вирішення завдань ОПР. Онтологія є незамінним інструментом для створення такого опису. У більшості типів СППР використовуються великі масиви різнорідних даних і знань. Завдяки тому, що онтологія дозволяє явно описувати семантику даних і знань, вона забезпечує базис для їх інтеграції та спільного використання при вирішенні завдань.

Портал наукових знань – це спеціалізований інтернет–портал, що забезпечує систематизацію знань і інформаційних ресурсів заданої області знань, їх інтеграцію в єдиний інформаційний простір і змістовний доступ до них. Онтологія використовується в якості ядра інформаційної моделі порталу знань. Вводячи формальний опис системи понять, існуючих в галузі знань порталу, у вигляді класів об'єктів і відносин між ними, онтологія також задає структури для представлення реальних об'єктів і зв'язків між ними. У відповідності з цим дані в контенті порталу представлені як безліч різнотипних інформаційних об'єктів – примірників класів онтології, пов'язаних між собою відносинами, також заданими в онтології. Це створює базис для зручної навігації по контенту порталу та змістовного пошуку в ньому. При розробці СТВО можливе використання онтологій, розроблених раніше для галузі знань цих систем. Це дозволяє переиспользовать вже перевірені на практиці знання, що забезпечує високу якість створюваних систем і їх потенційну інтегрованість із вже розробленими системами[19]

Висновки

У даній роботі були виконані завдання дослідження:

На основі отриманих знань буде реалізація експертної системи з застосуванням логічного виведення інтелектуальних паттернах, побудованих як онтології об'єктів з фізичної семантикою.

Список джерел

  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).