Стр. 7 - СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ

5 Содержание
СИСТЕМЫИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ.
ОПТИМИЗАЦИЯ БАЗ ЗНАНИЙ НЕЧЕТКИХ ЭКСПЕРТНЫХ СИСТЕМ
ных исследований, проявляющаяся, например, во включении разработки ЭС в
планы по реализации федеральных целевых программ, позволяют надеяться на
дальнейшее развитие этой области в нашей стране.
Создание эффективной системы – дорогостоящий и продолжительный про-
цесс, требующий привлечения специалистов различных направлений: програм-
мистов, инженеров по знаниям, экспертов в прикладной области. Одной из ос-
новных проблем при этом является приобретение знаний , т.е. "передача потен-
циального опыта решения проблемы от некоторого источника знаний и
преобразование его в вид, который позволяет использовать эти знания в про-
грамме"[11]. Традиционно знания передаются во время собеседований между
инженером по знаниям и экспертом в предметной области. "Многие исследова-
тели рассматривают функцию приобретения знаний в качестве одного из глав-
ных "узких мест" технологии экспертных систем из-за низкой скорости наполне-
ния базы знаний системы правилами"[11]. Для получения требуемого результата
необходимо взаимопонимание между экспертом и инженером по знаниям. Не
всегда специалист может объяснить, как он решает задачи в своей области.
Между тем, существуют прикладные области, в которых собрано большое
количество фактической информации. Эти данные могут быть использованы для
генерации правил или для оптимизации имеющейся базы знаний. В настоящее
время усилия многих исследователей направлены на разработку адаптивных или
самоорганизующихся систем, способных обучаться на примерах. Под самоорга-
низующейся системой понимается система, упорядоченность и организован-
ность которой возрастает со временем. Наиболее известными примерами подоб-
ных систем являются искусственные нейронные сети, системы, использующие
метод группового учета аргументов (МГУА), адаптивные системы нечеткого ло-
гического вывода (последним посвящены работы Ч. Карра, О. Кордона, Б. Коско,
В. В. Круглова, А. П. Ротштейна, Т. Фукуда, Ф. Херреры, С. Д. Штовбы, Р. Янга
и др.) Все используемые технологии обладают как достоинствами, так и опреде-
ленными недостатками.Нейросетевой подход и МГУА приводят к получению
логически непрозрачных систем. Способ решения задачи такими системами
трудно вербализовать. Существующие подходы к получению логически про-
зрачныхнейросетей нельзя признать эффективными. Да и само понятие "логиче-
ской прозрачности" иерархических интеллектуальных систем недостаточно
формализовано.
В свою очередь, наиболее изученные варианты систем нечеткого логического
вывода не обладают достаточной гибкостью в представлении знаний. Их базы зна-
ний имеют одноуровневый вид, т.е. промежуточные выводы не используются. Кро-
ме того, существующие методы оптимизации таких систем допускают ограниченное
участие эксперта в обучении. Его роль сводится к подготовке обучающей выборки и
выбору параметров алгоритма оптимизации. Использование априорной информации
о прикладной области в виде формулирования начальной базы знаний, защиты от