Розуміння Експертних Систем – Обчислювальний Підхід до Представлення Знань та Міркування

Представление знаний: Формализация Экспертизы

В основе экспертной системы лежит её база знаний, которая кодирует предметную экспертизу человека-специалиста. Это знание обычно представляется в виде правил, часто выраженных в виде «если-то». Например, в медицинской диагностике правило может гласить: 'ЕСЛИ пациент проявляет лихорадку И кашель ТО подозревать грипп.'

Существуют различные методы представления этого знания. Системы производных правил являются распространенными, где каждое правило описывает конкретный процесс вывода. Представления на основе фреймов обеспечивают более структуризацию данных, позволяя наследовать свойства и взаимосвязи между понятиями.

Rule: IF condition THEN action (Dimensionally consistent representation of logical rules)

Движок Висновування: Застосування Знань

Після того, як база знань встановлена, потрібен двигун висновування для застосування цих знань до нових ситуацій. Основна задача движка висновування — робити висновки на основі вхідних даних та правил у базі знань.

Можна використовувати різні стратегії висновування. Forward chaining починається з фактів і застосовує правила для виведення нових фактів до тих пір, поки не буде досягнуто рішення. Backward chaining починається з мети та намагається знайти докази, які її підтверджують, часто використовуючи техніки, такі як resolution.

Forward Chaining:  New Facts = {Initial Facts} ∪ {Applicable Rules(Initial Facts)} (Iterative process)

Приклад: Проста діагностична система

Розглянемо спрощену діагностичну систему для виявлення несправностей у електричних компонентах. База знань може містити правила, такі як «Якщо в ланцюзі спостерігається надмірний струм, то підозрювати коротке замикання» або «Якщо температура компонента перевищує поріг, то підозрювати перегрів».

Користувач вводить дані – показники струму, вимірювання температури – і двигун індукції застосовує ці правила для визначення найбільш ймовірної несправності. Система ітеративно оцінює правила до тих пір, поки не буде досягнуто діагнозу або не будуть вичерпані всі можливості.»

Diagnosis = Max(Strength(Rule) * Confidence(Input Data)) (A simplified scoring mechanism)

Обмеження та Майбутні Напрямки

Попри свої успіхи, системи експертів мають певні обмеження. Вони значною мірою залежать від якості бази знань, яку може бути важко отримати та підтримувати. Крім того, вони мають труднощі з невизначеністю та неповними даними.

Поточні дослідження зосереджені на інтеграції ймовірнісного обґрунтування, розмитого логіки та методів машинного навчання для підвищення стійкості та адаптивності систем експертів. Гібридні підходи, що поєднують системи на основі правил з нейронними мережами, набувають все більшого поширення.

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Inverse Kinematics (FABRIK) і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.