Так, как лекция 1 охватывает очень большое количество материала, то презентация была разбита на части. План : История развития искусственного интеллекта ; Представление знаний Экспертные системы
Artificial Intelligence
Идея создания искусственного подобия человека для решения сложных задач и моделирования человеческого разума витала в воздухе еще в древнейшие времена. В Древнем Египте была создана «оживающая» механическая статуя бога Амон-Pа. Амон-Ра
В литературе идея создания AI обыгрывалась многократно У Гомера в « Илиаде » кузнец Гефест, бог огня, создал в своей мастерской скульптуру женщины Гомер Вначале это была просто скульптура из металла. Но она была так красива, что Зевс решил её оживить. А боги дали ей разные дары. Бог Гефест
Буратино папы Карло
В то же время Норберт Винер создал свои основополагающие работы по новой науке – кибернетике.
Искусственный интеллект НейрокибернетикаКибернетика «черного ящика» Основная идея нейрокибернетики состоит в том, что любое «мыслящее» устройство должно каким – то образом воспроизводить структуру человеческого мозга. Кибернетика «черного ящика» полагает: не имеет значения как устроено «мыслящее» устройство. Главное, чтобы на заданные входные воздействия оно реагировало так же, как человеческий мозг.
И скусственный и нтеллект - Искусственный интеллект - Что такое искусственный интеллект? это одно из направлений информатики, цель которого разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на ограниченном подмножестве естественного языка. это научная дисциплина, возникшая в 50-х годах на стыке кибернетики, лингвистики, психологии и программирования.
Представление знаний и разработка систем, основанных на знаниях Игры и творчество Разработка естественно-языковых интерфейсов и машинный перевод Распознавание образов Новые архитектуры компьютеров Интеллектуальные роботы Специальное программное обеспечение Обучение и самообучение
При изучении интеллектуальных систем традиционно возникает вопрос что же такое знания и чем они отличаются от обычных данных, десятилетиями обрабатываемых ЭВМ. это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства. Данные - Знания - это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области Знания основаны на данных, полученных эмпирическим путем. Они представляют собой результат мыслительной деятельности человека, направленной на обобщение его опыта, полученного в результате практической деятельности.
Представление знаний Artificial Intelligence
Основная цель представления знаний - строить математические модели реального мира и его частей, для которых соответствие между системой понятий проблемного знания может быть установлено на основе совпадения имен переменных модели и имен понятий без предварительных пояснений и установления дополнительных неформальных соответствий. Представление знаний является одной из наиболее важных проблем при создании системы искусственного интеллекта (СИИ). Форма представления знаний оказывает существенное влияние на характеристики и свойства системы Представление знаний - это соглашение о том, как описывать реальный мир.
Модель представления знаний является формализмом, призванным отобразить статические и динамические свойства предметной области, т.е. отобразить объекты и отношения предметной области, связи между ними, иерархию понятий предметной области и изменение отношений между объектами. Продукционная модель представления знаний Фреймовая модель представления знаний Логическая модель представления знаний Семантические сети Модель, основанная на нечеткой логике
Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа «Если (условие), то (действие)». ЕСЛИ А1,А2..Аn ТО В. Если температура в помещении меньше +20, То включить обогреватель Условия А1,А2...Аn называют фактами. Действие В трактуется как добавление нового факта в описание текущего состояния предметной области.
Структура продукционной системы Механизм логического вывода Рабочая память База правил Модификация, управление поиск ссылки 1.Набор правил, используемых как база знаний. Его называют базой правил. 2.Рабочая память, в которой хранятся предпосылки, касающиеся конкретных задач предметной области и результаты выводов, полученных на их основании. 3.Механизм логического вывода, использующий правила в соответствии с содержимым рабочей памяти.
Достоинства: Недостатки: Достоинством применения правил продукций является их модульность. Это позволяет легко добавлять и удалять знания в базе знаний. Можно изменять любую из продукций, не затрагивая содержимого других продукций. Недостатки продукционных систем проявляются при большом числе правил и связаны с возникновением непредсказуемых побочных эффектов при изменении старых и добавлении новых правил. Кроме того, отмечают также низкую эффективность обработки систем продукций и отсутствие гибкости в логическом выводе.
Термин семантическая означает «смысловая» это ориентированный граф, вершины которого - понятия, а дуги - отношения между ними. Семантическая сеть понятие отношение Являются исторически первым классом моделей представления знаний
В качестве понятий обычно выступают абстрактные или конкретные объекты, а отношения это связи типа: «это» («АКО A-Kind-Of», «is»), «имеет частью» («has part»), «принадлежит», «любит». Особенность семантических сетей: обязательное наличие трех типов отношений: класс элемент класса (цветок роза) свойство значение (цвет желтый) пример элемента класса (роза чайная)
Наиболее часто в семантических сетях используются следующие отношения: связи типа «часть целое» («класс подкласс», «элемент - множество»,и т. п.); функциональные связи (определяемые обычно глаголами производит»,«влияет»...); количественные (больше, меньше, равно...); пространственные (далеко от, близко от, за, под, над...); временные (раньше, позже, в течение...); атрибутивные связи (иметь свойство, иметь значение); логические связи (И, ИЛИ, НЕ); лингвистические связи
Пример семантической сети Волга автомобиль цветбелый вид транспортадвигатель Петровчеловек это имеет частью это свойствозначение принадлежит любит Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, отражающей поставленный запрос к базе.
Семантические сети как модель представления знаний была предложена американским психологом Куиллианом Достоинством семантических сетей как модели представления знаний является наглядность описания предметной области, гибкость, адаптивность. Однако, свойство наглядности с увеличением размеров и усложнением связей базы знаний предметной области теряется Кроме того, возникают значительные сложности по обработке различного рода исключений. Для преодоления указанных проблем используют метод иерархического описания сетей (выделение на них локальных подсетей, расположенных на разных уровнях).
Представление знаний ФРЕЙМ Artificial Intelligence
Фрейм был предложен Марвелом Минским в 70-е годы В основе теории фреймов лежит восприятие фактов посредством сопоставления полученной извне информации с конкретными элементами и значениями, а также с рамками определенными для каждого концептуального объекта в нашей памяти. Фрейм - структура для описания стереотипной ситуации, состоящая из характеристик этой ситуации и их значений. Характеристики называют слотами
Структура фрейма Имя Слота Слот 1 …………….. Слот n Значение слота Указатель наследования Демон Имя фрейма Имя фрейма -идентификатор, присваиваемый фрейму. Фрейм должен иметь имя единственное (уникальное) в данной фреймовой системе.
Структура фрейма Слот 1 …………….. Слот n Значение слота Указатель наследования Демон Имя фрейма Имя Слота Имя слота -идентификатор, присваиваемый слоту. Слот должен иметь уникальное имя во фрейме. Имя слота не несет смысловой нагрузки кроме специфических: IS-A; DDESENDANTS (указатель дочернего фрейма) и др., а также системных слотов, используемых при управлении выводом.
Структура фрейма Имя Слота Слот 1 …………….. Слот n Значение Слота Демон Имя фрейма Указатель наследования показывает, какую информацию об атрибутах слотов во фрейме верхнего уровня наследуют слоты с такими же именами во фрейме нижнего уровня. Типичные указатели наследования: Указатель наследования U (уникальный), S (такой же), R (установление границ).
Структура фрейма Имя Слота Слот 1 …………….. Слот n Значение слота Указатель наследования Имя фрейма Демон - процедура, автоматически запускаемая при появлении запроса или обновлении информации в структуре. 1.IF-ADDED (если добавлено). Он запускается, когда новая информация поступает в слот. Демон 2.IF-REMOVED (если удалено). Запускается при стирании значения слота. 3.IF-NEEDED (если нужно). Запускается если в момент обращения к слоту его значение не было установлено.
IS-AМлекопитающее Умеетмыслить IS-AЧеловек Возраст0 – 16 ЛюбитСладкое IS-AРебенок Возраст6 – 17 УчитсяВ школе Совокупность фреймов, моделирующая какую либо предметную область, представляет собой иерархическую структуру, в которой фреймы соединяются с помощью родовидовых связей. Человек Ребенок Ученик связывание информации полученной с различных точек зрения. Несколько слотов одного фрейма обычно заранее определяются значениями по умолчанию. В одной системе различные фреймы могут иметь общие слоты. Благодаря этому возможно
Свойства фреймов Иерархическая структура. Межфреймовые сети. Значение по умолчанию. Отношения «абстрактное – конкретное» и «целое - часть.
Свойства фреймов Иерархическая структура. Особенность такой структуры заключается в том, что информация о слотах, которую содержит фрейм верхнего уровня, используется всеми фреймами нижних уровней.
Свойства фреймов Иерархическая структура. Межфреймовые сети. Осуществление выводов в фреймовой системе возможно благодаря соединению в межфреймовые сети фреймов, описывающих объекты с небольшими различиями, указателями различия.
Свойства фреймов Иерархическая структура. Межфреймовые сети. Значение по умолчанию. Фреймы обладают способностью наследовать значения слотов своих родителей, находящихся на более высоком уровне иерархии. Наследование свойств может быть частичным, тогда он должен быть указан в своем собственном фрейме. Значения слотов могут передаваться по умолчанию фреймам, находящимся ниже в иерархии.
Свойства фреймов Иерархическая структура. Межфреймовые сети. Значение по умолчанию. Отношения «абстрактное – конкретное» и «целое - часть. На верхних уровнях иерархии расположены абстрактные объекты, на нижних конкретные (отношения типа IS-A илиKIND OF). Отношение «целое - часть» касается структурированных объектов и показывает, что объект нижнего уровня является частью объекта верхнего уровня.
Фреймовая модель 1)Гибкость, т. е. структурное описание сложных объектов. 2)Наглядность, данные о родовидовых связях хранятся явно. 3)Значение может быть вычислено с помощью процедур или найдено эвристическими методами. Преимущества фреймовой модели представления знаний 1)Высокая сложность систем в целом. 2)Трудно внести изменение в иерархию 3)Затруднена обработка исключений. Недостатками фреймовой системы являются:
Представление знаний НЕЧЕТКАЯ ЛОГИКА Artificial Intelligence
Существует целый класс описаний, оперирующих качественными характеристиками объектов: много, мало, сильный, очень сильный и т.п. Эти характеристики обычно размыты и не могут быть однозначно интерпретированы, однако содержат важную информацию. Нечеткая логика "Одним из возможных признаков клещевого энцефалита является высокая температура". При попытке формализовать человеческие знания исследователи вскоре столкнулись с проблемой, затруднявшей использование традиционного математического аппарата для их описания.
Нечеткая логика Для представления размытых (нечетких) знаний в начале 70-х американский математик Лотфи Заде предложил формальный аппарат нечеткой алгебры и нечеткой логики (L.A.Zadeh, Fuzzy Sets, Information and Control,8(1965) ). Fuzzy logic Fuzzy (англ.) - неясный, туманный, размытый
Нечеткая логика L.A. Zadeh Родился 4 февраля 1921 г. в Баку (Советский Азербайджан). Несколько лет посещал русскую школу в Баку. В 1931 г. семья Л.Заде перебралась в Иран. В 1944 г. Л.Заде уехал в США Роль Лотфи Заде в современном мире не ограничивается только конкретными областями науки. Его необычная собственная биография, вся жизнь и международная деятельность вносят вклад в формирование общепланетарного научного сообщества XXI- го века, способствует становлению нового научного мировоззрения, предполагающего симбиоз достижений восточных и западных культур.
Л. Заде ввел одно из главных понятий в нечеткой логике - понятие лингвистической переменной. Лингвистическая переменная (ЛП) - переменная, значение которой определяется набором словесных характеристик некоторого свойства. лингвистическая переменная "скорость" определяется через набор {очень маленькая; низкая; средняя; высокая; очень высокая}. Нечеткая логика
Значение лингвистической переменной определяются через нечеткие множества, которые в свою очередь определены на некотором базовом множестве значений или базовой числовой шкале, имеющей размерность. Нечеткая логика Fuzzy logic Каждое значение лингвистической переменной определяется как нечеткое множество.
Основы теории нечетких множеств Пусть X - непустое множество Нечеткое множество A в X характеризуется его функцией принадлежности А: X Х[0;1] и А интерпретируется как степень принадлежности элемента x нечеткому множеству A для каждого x X.
Основы теории нечетких множеств Таким образом, нечеткое множество B – совокупность пар вида.
Основы теории нечетких множеств Функция принадлежности определяет субъективную степень уверенности эксперта в том, что данное конкретное значение базовой шкалы соответствует определяемому нечеткому множеству Функция принадлежности интерпретируется как степень принадлежности элемента X нечеткому множеству A для любого x X.
Основы теории нечетких множеств Если X={x1,…xn} есть конечное множество и A- нечеткое множество в X, тогда мы используем запись A= 1 x1+ 2 x2 +…+ n xn Где член i xi, i=1,...n означает, что i есть степень принадлежности xi в A и знак суммы представляет объединение.
Основы теории нечетких множеств Нечеткое множество A называется триангулярным нечетким числом с вершиной (или центром) a, шириной слева > 0 и шириной справа > 0, если его функция принадлежности имеет следующий вид:
Основы теории нечетких множеств Триангулярное нечеткое число с центром a можно понимать как нечеткую величину «x приблизительно равен a».
Основы теории нечетких множеств Нечеткое множество A называется трапецеидальным нечетким число с интервалом допуска [a,b], левой шириной и правой шириной, если его функция принадлежности имеет вид
Основы теории нечетких множеств Трапецеидальное нечеткое число можно понимать как нечеткую величину «x приблизительно находится в интервале [a,b] » а- а b b+ 1
Операции над нечеткими множествами Пусть A и B – нечеткие подмножества непустого (четкого) множества X. Пересечение A и B определяется как (A )(t)=min{ A(t), (t) }= A(t) (t)для любого t X. Объединение A и B определяется как (A )(t)=max{ A(t), (t) }= A(t) (t)для любого t X Дополнение нечеткого множества A определяется как ( A)(t)=1- A(t)
Будем считать, что заданы универсальные множества X и Y, содержащие конечное число элементов. Под способом определения нечеткой импликации "если А, то В" (где А и В нечеткие множества на X и Y соответственно) будем понимать способ задания нечеткого отношения R на X´Y, соответствующего данному высказыванию. Нечеткие импликации Импликация Лукасевича: xy=min {1,1- x+y} Импликация Мамдани: xy=min{x,y} Импликация Ларсена: xy= x y Существуют и другие операторы импликации
Теория приближенных рассуждений Под приближенными рассуждениями понимается процесс, при котором из нечетких посылок получают некоторые следствия, возможно, тоже нечеткие. Приближенные рассуждения лежат в основе способности человека понимать естественный язык, разбирать почерк, играть в игры, требующие умственных усилий, в общем, принимать решения в сложной и не полностью определенной среде. Эта способность рассуждений в качественных, неточных терминах отличает интеллект человека от интеллекта вычислительной машины.
Теория приближенных рассуждений Теория приближенных рассуждений была создана Лотфи Заде в 1979 году Пусть x и y – лингвистические переменные, например «x- высокий» и «y - маленький». Основная задача приблизительного рассуждения – найти функцию принадлежности следствия С по базе правил (N1,…Nn) и факту A: N 1 если x есть A 1, то y есть С 1 также N 2 если x есть A 2, то y есть С 2 ………………………………… также N n если x есть A n, то y есть С n Факт x есть A Следствие y есть С
Вывод нечеткой импликации основан на композиционном правиле вывода для приближенного рассуждения, предложенного Заде. Композиционное правило вывода посылка если x есть A, то y есть B факт x есть A следствие y есть B где B определяется как композиция факта и оператора нечеткой импликации B =A º( A B) то есть B (v)=sup min{ A (u), ( A B)(u,v) } v V u U
Нечеткое управление Контроллеры нечеткой логики - наиболее важное приложение теории нечетких множеств. Их функционирование немного отличается от работы обычных контроллеров; для описания системы используются знания экспертов вместо дифференциальных уравнений Эти знания могут быть выражены естественным образом с помощью лингвистических переменных, которые описываются нечеткими множествами.
Нечеткое управление Нечеткие логические системы управления обычно состоят из четырех основных частей: Интерфейс фаззификации База нечетких правил Машина нечеткого вывода Интерфейс дефаззификации
Нечеткий логический контроллер Четкий х в Х фаззификатор Нечеткое множество в Х Машина нечеткого вывода База нечетких правил дефаззификатор Нечеткое множество в Y Четкий y в Y
Нечеткий логический контроллер Фаззификация - введение нечеткости на четких входных данных. Оператор фаззификации переводит четкие данные в нечеткие множества Дефаззификация - это процесс выбора представительного элемента из нечеткого выхода, выведенного из алгоритма нечеткого управления. Выход процедуры вывода до данного момента являлся нечетким множеством, определяющим распределение управляющего воздействия Так как при решении задачи в интерактивном управлении требуется четкое управляющее воздействие, необходима дефаззификация нечеткого управляющего воздействия (выхода), выведенного из алгоритма нечеткого рассуждения.
Методы дефаззификации 1. Центр тяжести Дефаззифицированное значение нечеткого множества С определяется как его нечеткий центроид: 2. Первый максимум Дефаззифицированное значение нечеткого множества С – это наименьший максимизирующий элемент, то есть z0= min {z C(z)=max C(w)} w
Методы дефаззификации 3. Средний максимум Дефаззифицированное значение нечеткого множества для непрерывного z, определяется как, где 4. Критерий максимума Выбор произвольного значения из множества максимизирующих элементов С, то есть
Методы дефаззификации 5. Дефаззификация по высоте. Элементы множества Z, которые имеют степень принадлежности ниже, чем определенный уровень, полностью исключаются, и дефаззифицированное значение z0 вычисляется применением метода центра тяжести к тем элементам Z, которые имеют степени принадлежности не менее, чем
Определение и структура
Экспертные системы – это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей.
Первыми экспертными системами являются системы ЭС MYCIN Разработана: 1976, Shortliffe, E. H., США MYCIN помогает врачам выбирать подходящую антимикробную терапию для госпитализированных больных с бактериемией, менингитом и циститом. Система определяет причину инфекции, применяя знания, связывающие инфицирующий микроорганизм с историей болезни, симптомами и результатами лабораторных исследований. Система рекомендует лекарственное лечение (вид и дозу) в соответствии с процедурами, которым следуют опытные специалисты по лечению инфекционных заболеваний.
Первыми экспертными системами являются системы ЭС DENDRAL Разработана: 1978, Buchanan, B. G. и Feigenbaum, E. A., США выводит молекулярную структуру неизвестных соединений, исходя из данных масс-спектрометрии и ядерного магнитного резонанса. ЭС MYCIN
ОСОБЕННОСТИ ЭКСПЕРТНЫХ СИСТЕМ 1. Перерабатывают большое количество знаний. 2.Представляют знания в простой унифицированной форме. 3.Обладают независимым механизмом логических выводов. 4.Могут объяснить результаты, полученные в процессе обработки знаний.
Наибольшие трудности в разработке ЭС вызывает не процесс машинной реализации систем, а домашинный этап анализа знаний и проектирования базы знаний.
Основные понятия и определения Инженерия знаний – достаточно молодое направление искусственного интеллекта, появившееся тогда, когда перед разработчиками возникла проблема трудности «добычи» и формализации знаний. Инженерия знаний занимается проектированием баз знаний – получением и структурированием знаний специалистов для последующей разработки баз знаний. Инженерия знаний
это условное неформальное описание основных понятий и взаимосвязей между понятиями предметной области, выявленных из системы знаний эксперта, в виде графа, диаграммы, таблицы или текста. Поле знаний - Основные понятия и определения Извлечение знаний - процедура взаимодействия эксперта с источником знаний, в результате которой становятся явным процесс рассуждений специалистов при принятии решения и структура их представления о предметной области.
Основные понятия и определения процесс наполнения базы знаний экспертом с использованием специализированных программных средств. Приобретение знаний - Термин «приобретение» относится к автоматизированным системам прямого общения с экспертом. Knowledge based expert systems
Этапы построения базы знаний (БЗ) 1)Описание предметной области. 2)Выбор метода и модели представления знаний. 3)Приобретение знаний. Knowledge based expert systems
Этапы построения базы знаний (БЗ) 1)Описание предметной области. На первом шаге инженер по знаниям очерчивает границы области применения системы и класс решаемых ею задач: определяется характер решаемых задач, выделяются объекты предметной области, устанавливаются связи между объектами, выбираются модели представления знаний, выявляются специфические особенности предметной области.
Этапы построения базы знаний (БЗ) 2)Выбор метода и модели представления знаний. На втором этапе необходимо выбрать способ организации выделенных объектов предметной области и определить связи между ними в терминах модели представления знаний. Способ организации знаний, состав классов, вид структуры, перечень выделенных объектов в предметной области зависит от того, под каким углом зрения рассматривают инженер по знаниям и эксперт данную предметную область.
Этапы построения базы знаний (БЗ) 3)Приобретение знаний. Knowledge based expert systems Источниками знаний для экспертных систем могут быть учебники, справочники, материалы в проблемной области и т.п. Процесс приобретения знаний носит скорее циклический, чем линейный характер и структурирован хуже, чем другая деятельность, выполняемая при разработке экспертной системы. Классический источник знаний – эксперт в данной области, знания от которого получает разработчик системы.
Структура Экспертной Системы пользователь Пользователь, желающий получить необходимую информацию Интерфейс пользователя через пользовательский интерфейс посылает запрос к ЭС Knowledge based expert systems
Структура Экспертной Системы пользователь Интерфейс пользователя Решатель, пользуясь базой знаний, генерирует и выдает пользователю подходящую рекомендацию, объясняя ход своих рассуждений при помощи подсистемы объяснений. Решатель База знаний Подсистема объяснений Knowledge based expert systems
Структура Экспертной Системы пользователь Интерфейс пользователя Решатель База знаний Подсистема объяснений + инженер по знаниямэксперт В наполнении знаниями базы знаний принимают участие Инженер по знаниям и эксперт, пользуясь интеллектуальным редактором базы знаний
Представленная структура является минимальной, то есть все указанные блоки должны обязательно присутствовать в ЭС, реальные прикладные ЭС могут быть гораздо сложнее и дополнительно включать базы данных, интерфейсы обмена данными с различными пакетами прикладных программ, электронными библиотеками и т.д. Структура Экспертной Системы Knowledge based expert systems
Что есть что? Интерфейс пользователя - комплекс программ, реализующих диалог пользователя с ЭС как на стадии ввода информации, так и при получении результатов. База знаний - ядро ЭС, совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю (обычно на языке, приближенном к естественному). Параллельно такому представлению существует БЗ в машинном представлении.
Что есть что? Решатель - программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ Интеллектуальный редактор БЗ - программа, представляющая инженеру по знаниям возможность создавать БЗ в диалоговом режиме. Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок (help) и других сервисных средств, облегчающих работу с базой. Синонимы : дедуктивная машина машина вывода блок логического вывода
Что есть что? Подсистема объяснений - программа, позволяющая пользователю получить ответы на вопросы: Как была получена та или иная рекомендация? Почему система приняла такое решение? ответ на вопрос «как» – это трассировка всего процесса получения решения с указанием использованных фрагментов БЗ ответ на вопрос «почему» - ссылка на умозаключение, непосредственно предшествующее полученному решению
Этапы разработки ЭС Перед тем, как начать разработку ЭС необходимо: определить проблемную область и задачу, найти подходящего эксперта, желающего сотрудничать при решении проблемы, назначить коллектив разработчиков, определить предварительный подход к решению проблемы, проанализировать расходы и прибыль от разработки, подготовить план разработки.
Коллектив разработчиков Минимальный коллектив разработчиков включает четыре человека: эксперт, пользователь, инженер по знаниям, программист; реально он разрастается до 8-10 человек. Совмещение ролей нежелательно.
Этапы разработки ЭС
На этапе идентификации проблемы уточняется задача, определяются необходимые ресурсы (время, люди, ЭВМ), источники знаний (книги, дополнительные эксперты), цели (распространение опыта, автоматизация рутинных действий), классы решаемых задач.
Этапы разработки ЭС На стадии извлечения знаний происходит перенос компетентности от эксперта к инженеру по знаниям с использованием различных методов (анализ текстов, диалоги, экспертные игры, лекции, дискуссии, интервью, наблюдение и др.).
Этапы разработки ЭС При структурировании знаний выявляется структура полученных знаний о предметной области, то есть определяются: терминология, список основных понятий и их атрибутов, отношения между понятиями, структура входной и выходной информации, стратегия принятия решений и т.д.
Этапы разработки ЭС На стадии формализации строится формализованное представление предметной области на основе выбранного языка представления знаний.
Этапы разработки ЭС При реализации создается прототип ЭС, включающий базу знаний и остальные блоки, при помощи программирования на традиционных языках (C++, Pascal и др.), программирования на специальных языках, применяемых в задачах искусственного интеллекта (LISP, FRL, SMALLTALK) или с использованием инструментальных средств разработки ЭС типа СПЭИС.
Этапы разработки ЭС Тестированием оценивается работа прототипа с целью приведения в соответствие с реальными запросами пользователя.
Этапы разработки ЭС При неудовлетворительном функционировании прототипа эксперт и инженер по знаниям имеют возможность оценить, что именно будет включено в окончательный вариант системы. После чего происходит доработка прототипа до конечного варианта ЭС.