Информационные системы поддержки экспертных оценок (экспертные информационные системы)

Наиболее полезной характеристикой ЭС является то, что она применяет для решения проблем только высококачественный опыт. Этот опыт может представлять уровень мышления наиболее квалифицированных экспертов в данной области, что ведет к решениям творческим, точным и эффективным. Именно высококачественный опыт в сочетании с умением его применять делает систему рентабельной, способной заслужить признание на рынке. Этому способствует также гибкость системы. Система может наращиваться постепенно в соответствии с нуждами бизнеса или заказчика. Это означает, что можно вначале вложить сравнительно скромные средства, а потом наращивать возможности ЭС по мере необходимости.

Другой полезной чертой экспертных систем является наличие у них прогностических возможностей. Экспертная система может функционировать в качестве теории обработки информации или модели решения задачи в заданной области, давая ожидаемые ответы в конкретной ситуации и показывая, как изменятся эти ответы в новых ситуациях. Экспертная система может объяснить подробно, каким образом новая ситуация привела к изменениям. Это позволяет пользователю оценить возможное влияние новых фактов или информации и понять, как они связаны с решением. Аналогично, пользователь может оценить влияние новых стратегий или процедур на решение, добавляя новые правила или изменяя уже существующие [3].

Не менее важным свойством экспертных систем является то, что их

можно использовать для обучения и тренировки руководящих работников и ведущих специалистов. ЭС могут быть разработаны с расчетом на подобный процесс обучения, так как они уже содержат необходимые знания и способны объяснить процесс своего рассуждения. В качестве инструмента обучения ЭС обеспечивает новых специалистов обширным багажом опыта и стратегий, по которым можно изучать рекомендуемую политику и методы.

Общепринятая классификация экспертных систем отсутствует, однако наиболее часто экспертные системы различают по назначению, предметной области, методам представления знаний, динамичности и сложности.

По назначению классификацию экспертных систем можно провести

следующим образом:

– диагностика состояния систем, в том числе мониторинг (непрерывное отслеживание текущего состояния);

– прогнозирование развития систем на основе моделирования прошлого и настоящего;

–- планирование и разработка мероприятий в организационном и технологическом управлении;

– проектирование или выработка четких предписаний по построению объектов, удовлетворяющих поставленным требованиям;

– автоматическое управление (регулирование);

– обучение пользователей и др.

По предметной области наибольшее количество экспертных систем используется в военном деле, геологии, инженерном деле, информатике, космической технике, математике, медицине, метеорологии, промышленности, сельском хозяйстве, управлении процессами, физике, филологии, химии, электронике, юриспруденции.

Классификация экспертных систем по методам представления знаний делит их на:

– традиционные;

– гибридные.

Традиционные экспертные системы используют, в основном, эмпирические модели представления знаний и исчисление предикатов первого порядка.

Гибридные экспертные системы используют все доступные методы, в том числе оптимизационные алгоритмы и концепции баз данных.

По степени сложности экспертные системы делят на поверхностные и глубинные. Поверхностные экспертные системы представляют знания в виде правил «ЕСЛИ-ТО». Условием выводимости решения является безобрывность цепочки правил. Глубинные экспертные системы обладают способностью при обрыве цепочки правил определять (на основе метазнаний) какие действия следует предпринять для продолжения решения задачи.

Классификация экспертных систем по динамичности делит экспертные системы на:

– статические;

– динамические [1].

Предметная область называется статической, если описывающие ее исходные данные не изменяются во времени. Статичность области означает неизменность описывающих ее исходных данных. При этом производные данные (выводимые из исходных) могут и появляться заново, и изменяться (не изменяя, однако, исходных данных).

Если исходные данные, описывающие предметную область, изменяются за время решения задачи, то предметную область называют динамической.

В архитектуру динамической экспертной системы, по сравнению со

статической, вводятся два компонента подсистема моделирования внешнего мира и подсистема связи с внешним окружением.

Подсистема связи с внешним окружением осуществляет связи с внешним миром через систему датчиков и контроллеров. Кроме того, традиционные компоненты статической экспертной системы (база знаний и механизм логического вывода) претерпевают существенные изменения, чтобы отразить временную логику происходящих в реальном мире событий.

Особенности экспертных систем, отличающие их от обычных программ, заключаются в том, что они должны обладать следующими качествами.

1. Компетентностью, а именно:

– достигать экспертного уровня решений, т.е. в конкретной предметной области иметь тот же уровень профессионализма, что и эксперты-люди;

– быть умелой, т.е. применять знания эффективно и быстро, избегая, как и люди, ненужных вычислений;

– иметь адекватную робастность, т.е. способность лишь постепенно

снижать качество работы по мере приближения к границам диапазона компетентности или допустимой надежности данных.

2. Возможностью  к символьным рассуждениям, а именно:

– представлять знания в символьном виде;

– переформулировать символьные знания. На языке искусственного

интеллекта символ – это строка знаков, соответствующая содержанию некоторого понятия. Символы объединяют, чтобы выразить отношения между ними. Когда отношения представлены в экспертной системе, они называются символьными структурами.

3. Глубиной, а  именно:

– работать в предметной области, содержащей трудные задачи;

– использовать сложные правила, т.е. использовать либо сложные конструкции правил, либо большое их количество.

4. Самосознанием, а именно:

– исследовать свои рассуждения, т.е. проверять их правильность;

– объяснять свои действия.

Существует еще одна важная особенность экспертных систем. Если обычные программы разрабатываются так, чтобы каждый раз порождать правильный результат, то экспертные системы разработаны с тем, чтобы вести себя как эксперты. Они, как правило, дают правильные ответы, но иногда, как и люди, способны ошибаться.

Преимущества экспертных систем перед человеком-экспертом Возникает вопрос: «Зачем разрабатывать экспертные системы? И не лучше ли обратиться к человеческому опыту, как это было в прошлом?».

Отметим лишь основные преимущества, которые дает использование экспертных систем. Преимуществом искусственной компетенции являются следующие качества.

1. Постоянство

Человеческая компетенция ослабевает со временем. Перерыв в деятельности человека-эксперта может серьезно отразиться на его профессиональных качествах.

2. Легкость передачи

Передача знаний от одного человека другому – долгий и дорогой

процесс. Передача искусственной информации – это простой процесс копирования программы или файла данных.

3. Устойчивость  и воспроизводимость результатов

Экспертные системы устойчивы к «помехам». Человек же легко поддается влиянию внешних факторов, которые непосредственно не связаны с решаемой задачей. Эксперт-человек может принимать в тождественных ситуациях разные решения из-за эмоциональных факторов. Результаты экспертной системы – стабильны.

4. Стоимость Эксперты, особенно высококвалифицированные, обходятся очень дорого. Экспертные системы, наоборот, сравнительно недороги. Их разработка дорога, но они дешевы в эксплуатации.

Вместе с тем разработка экспертной системы не позволяет полностью отказаться от эксперта-человека. Хотя экспертная система хорошо справляется со своей работой, тем не менее, в определенных областях человеческая компетенция явно превосходит искусственную. Однако и в этих случаях экспертная система может позволить отказаться от услуг высококвалифицированного эксперта, оставив эксперта средней квалификации, используя при этом экспертную систему для усиления и расширения его профессиональных возможностей [2].

 

Раздел 3: Примеры экспертных систем

 

SAND PCBRS

Разработчиком экспертной системы является Chase Manatten Bank, Standart & Poor’s Corp. S&PCBRS была разработана для решения следующих задач: оценка рейтинга ценных бумаг по данным о фирмах эмитентах; формирование корректной рейтинговой шкалы. Экспертная система имеет следующие характеристики: представление задачи оценки рейтинга как задачи классификации; отбор данных о фирмах эмитентах и формирование обучающего материала; выбор нейроклассификатора, его обучение и тестирование; сравнение с оценками экспертов; использование нейросетевой парадигмы Couter-Propagation. Вероятность правильного предсказания рейтинга экспертной системы S&PCBRS составляет 84% .

NEREID

Разработчиком данной экспертной системы является NTT Data, The Tokai Bank, Science Univercity of Tokyo. Данная система была разработана для поддержки принятия решений для оптимизации работы с валютными опционами. Система облегчает дилерскую поддержку для оптимального ответа из возможных представленных вариантов. Nereid более практична и дает лучшие решения, чем обычные системы принятия решений. Данная система разработана с использованием фреймовой системы CLP, которая легко интегрирует финансовую область в приложение ИИ. Предложен смешанный тип оптимизации, сочетающий эвристические знания с техникой линейного программирования.

Похожие действия выполняет такой программный инструмент как «Мастер» (англ. Wizard). Мастера применяются в мах, и в прикладных для упрощения интерактивного общения с пользователем (например, при установке ПО). Главное отличие мастеров от ЭС – отсутствие базы знаний − все действия жестко запрограммированы. Это просто набор форм для заполнения пользователем.

Другие подобные программы − поисковые или справочные (энциклопедические) системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей (представления об объектах областей знаний, их виртуальную модель).

Финансовые ЭС, основанные на правилах. Огромное число фирм установили ЭС для решения задач в таких областях как: участие в торгах на фондовой бирже, автоматическое получение новостей, кредитный анализ, управление рисками, построение портфелей инвестиций, оценка рейтинга банков, автоматизация аудита, предсказание изменений на финансовом рынке.

Примерами этому является целый класс консультативных ЭС: Bear, Sterns & Company’s Broker Monitoring System, Athena Group’s Portfolio Advisor и Trader’s Assistant, совместно разработанные корпорациями Author D. Little Corporation, Knowledge-Based Network Corporation и еще шестью финансовыми институтами. Японский Sanwa Bank, один из крупнейших мировых банков, применяет экспертную систему Best Mix для улучшения качества своей информации по инвестициям.

ЭС Nikko Portfolio Consultation Management System, разработанная

для внутреннего использования фирмой Nikko Securities, Ltd., помогает

управляющим фондами выбрать оптимальный портфель для своих клиентов. Данная система основана на базе данных с информацией за пять лет продаж акций и на системе с новой теорией управления портфелем, которая вычисляет и оптимизирует портфель ценных бумаг для страховки от различных рисков. Управляющие фондами освобождаются от рутинных

вычислений и, таким образом, имеют возможность более быстро составить

оптимальный портфель ценных бумаг. Компания IDS Financial Services,

подразделение финансового планирования American Express Company,

классифицировали финансовые экспертизы своих лучших управляющих для создания экспертной системы, названной Insight. IDS включила экспертизы лучших управляющих в свои средства, т.е. экспертную систему, доступную всем своим планировщикам. Одним из основных результатов применения экспертной системы в компании IDS стало то, что процент покинувших фирму клиентов упал более чем наполовину.

Перечислим характеристики некоторых конкретных ЭС этого класса.

1. FLiPSiDE: Система  логического программирования финансовой экспертизы.

Фирма: Case Western Reserve University

Решаемые задачи:

• мониторинг состояния рынка ценных бумаг;

• мониторинг состояния текущего портфеля ценных бумаг;

• поддержка обзора будущих условий рынка;

• планирование и выполнение продаж.

Краткие характеристики:

• применение оригинальной парадигмы «Классной доски», описанной Ньюэллом;

• язык Пролог в качестве платформы программирования;

• представление данных на «Классной доске» в качестве исходных данных для различных знаний.