Экспертные системы

1. Экспертные системы

2. Что такое экспертная система

• Определение: Компьютерная программа,
моделирующая рассуждения эксперта в узкой
предметной области для решения сложных задач
• Эксперт (человек) → его знания и опыт →
формализуются в правила (ЕСЛИ-ТО) → загружаются
в базу знаний (базу данных) → система
даёт рекомендации
Аналогия: Это "цифровой клон" лучшего
специалиста, доступный 24/7.

3. Почему появились ЭС?

• Проблема 1970-х:
• Провал проектов по
созданию "общего
интеллекта".
• Невозможность
решать реальные,
неформализованные
задачи.
• Скепсис и
сокращение
финансирования
("Зима ИИ").
• Решение:
• Отказ от
глобальной цели.
• Фокус на узкую, но
полезную
область (медицина,
геология,
конфигурация).
• Идея: Не учить
машину думать
"вообще", а дать
ей готовые знания
эксперта.
• ("Зима ИИ").

4. Золотой век: Классические примеры ЭС

• MYCIN (1976, Стэнфорд)
• Область: Диагностика бактериальных инфекций и назначение
антибиотиков.
• Успех: Работала на уровне врача-инфекциониста.
• Не использовалась напрямую, но её принципы легли в основу
коммерческих систем.
• DENDRAL (1965-1980, Стэнфорд)
• Область: Определение молекулярной структуры органических
соединений по данным масс-спектрометрии.
• Успех: Первая реально работающая ЭС. Превосходила способности
химиков-аналитиков.
• XCON / R1 (1980, DEC)
• Область: Конфигурация заказов компьютерных систем VAX.
• Успех: Ежегодно сохраняла компании до $40 млн, конфигурируя
заказы без ошибок. Главный пример окупаемости ИИ.

5. Архитектура экспертной системы

• База знаний (Ядро
системы): Хранит факты (данные)
и правила (знания) вида "ЕСЛИ [условие], ТО
[действие/вывод]".
• Механизм логического вывода
("Двигатель"): Алгоритм, который "прогоняет"
факты через правила, чтобы прийти к заключению.
• Рабочая память: Хранит входные данные о
конкретной проблеме и промежуточные результаты.
• Пользовательский интерфейс: Средство общения
(часто текстовый диалог).
• Объясняющий компонент: Может
ответить "ПОЧЕМУ?" вы задаёте вопрос

6. Механизм логического вывода

• Прямой вывод (Data-Driven, от данных к цели):
• Как: Система берет известные факты, находит все
правила, условия которых истинны, выполняет их
действия, добавляет новые факты и так далее, пока
не достигнет цели.
• Плюс: Позволяет находить все возможные решения.
• Обратный вывод (Goal-Driven, от цели к
данным):
• Как: Система берет гипотезу (цель) и ищет правила,
которые к ней ведут. Затем проверяет условия этих
правил, формируя подцели, пока не дойдет до
известных фактов.
• Плюс: Эффективен, когда целей мало, а данных
много.

7. Ограничения булевой логики

• Проблема классических правил ЕСЛИ-ТО:
• Абсолютность: Условие либо истинно (1), либо ложно
(0). ЕСЛИ температура > 38.0
• Реальность: В мире редко есть четкие границы.
Температура 37.9°C vs 38.1°C — почти одинаковое
состояние, но правило сработает только для второго.
• Неуверенность: Эксперт часто говорит: "Скорее всего,
это воспаление" или "Если сильный кашель, то очень
вероятно...".
• Решение: Ввести числовые коэффициенты, которые
добавляют системе гибкости и способности к
тонкой настройке.

8. Нечеткие экспертные системы

• Суть: Замена булевой логики на нечеткую логику.
• Как это работает:
• Нечеткие переменные: Температура, Кашель.
• Термы (лингвистические
значения): Низкая, Средняя, Высокая; Слабый, Сильный.
• Функции принадлежности (ФП): Кривая, которая для любого
числового значения (напр., 37.8°C)
определяет, насколько (от 0 до 1) оно принадлежит к
терму Высокая.
• Пример нечеткого правила:
ЕСЛИ Температура = Высокая И Кашель = Сильный, ТО
Диагноз = Пневмония
• Высокая(37.8) = 0.7 (коэффициент принадлежности)
• Сильный(кашель) = 0.9
• Сила срабатывания правила = min(0.7, 0.9) =
0.7 (используется логическое И)

9. Экспертные системы с факторами уверенности

• Суть: Каждому факту и правилу присваивается
числовой коэффициент уверенности (например, от
-1 до +1).
• Как работает МЛВ с CF:
• Факт: Кашель, CF=0.8 (скорее всего, есть).
• Правило: ЕСЛИ Кашель, ТО Бронхит с силой правила
CF_rule=0.6.
• Итоговая уверенность в выводе рассчитывается по
формуле (напр., CF(вывод) = CF(факт) * CF_rule =
0.48).

10. Достоинства и недостатки

• Достоинства :
• Стабильность: Работ
ает без устали,
эмоций.
• Объяснимость: Может
логически
обосновать решение.
• Сохранение
знаний: Опыт
эксперта не
теряется.
• Доступность: "Экспе
рт" есть на каждом
рабочем месте.
•Недостатки:
• "Ловушка знаний": Не умеет учиться
сама. Новые знания нужно вносить вручную
— долго и дорого.
• Хрупкость: За пределами своей узкой
области бесполезна. Не справляется с
неполными/противоречивыми данными.
• "Боттлнек" извлечения знаний: Процесс
интервьюирования эксперта (инженерия
знаний) сложен, субъективен и является
узким местом.
• Проблема модификации: Изменение одного
правила может иметь непредсказуемые

11. Наследие ЭС

• Идея формализации знаний (но теперь их извлекают не
люди, а алгоритмы из данных).
• Важность объяснимости (XAI) — сейчас это снова
горячая тема в противовес "чёрным ящикам"
нейросетей.
• Бизнес-логика: Языки и системы для управления
правилами (Drools, IBM ODM) живут в корпоративном
ПО.
• Практический урок: ИИ должен решать конкретные,
измеримые бизнес-задачи.
Заключение: Экспертные системы были этапом,
который показал путь от теории к практике и
подготовил почву для революции машинного