3. Информационные системы

Информационные системы (ИС) - это прикладные программы, связанные с организацией и обработкой информации в БД для реше­ ния конкретных задач автоматизации проектирования.

Цель ИС - обработка данных об объектах реального мира с уче­ том связей между объектами.

Фундаментальными понятиями ИС являются объект, атрибут

и связь.

Объект - это нечто существующее и различимое (фирма, чело­ век, конструкция и т.п.);

Атрибут - это некоторый показатель, характеризующий некий объект и принимающий для конкретного экземпляра объекта чи­ словое, текстовое или иное значение. Списки возможных значений атрибутов обычно называют классификаторами (справочниками, словарями).

Связи между объектами обусловлены смыслом задачи и не зави­ сят от произвола разработчика. По характеру связи между объектами могут быть типа: (1:1), (1:N), (N:l), (N:M).

Контрольные вопросы

1.Состав информационного обеспечения САПР.

2.Какие виды данных используются проектировщиками в про­ цессе работы?

3.Раскройте сущность понятия «база данных».

4.Каковы основные структуры данных, реализуемые в базах данных?

5.Какие модели представления данных используются в инфор­ мационном обеспечении САПР?

6.Раскройте сущность реляционной модели данных. Что вклю­ чают понятия «ключевое поле» и «типы связей».

7.Системы управления базами данных (СУБД). Основная функ­ ция СУБД в системах автоматизированного проектирования.

8.Поиск информации в БД.

9.Что такое «информационные системы»?

ЛЕКЦИЯ 8

Б А З Ы З Н А Н И Й И Э К С П Е Р Т Н Ы Е С И С Т Е М Ы

Как уже отмечалось, в настоящее время в составе информаци­ онного обеспечения САПР наметилась тенденция к созданию и ис­ пользованию в проектном процессе баз знаний.

§1. О б щ и е с в е д е н и я

Знание- это совокупность сведений, образующих целостное описание, соответствующее определенному уровню осведомленно­ сти об описываемой проблеме.

Основное отличие знаний от данных в том, что данные описы­ вают лишь конкретное состояние объектов или группы объектов в текущий момент времени, а знания кроме данных содержат сведе­ ния о том, как оперировать этими данными.

Знания, на которые опирается человек, решая ту или иную зада­ чу, существенно разнородны. Это прежде всего:

♦понятийные знания - набор понятий из фундаментальных

наук и их взаимосвязи. Например: «архитектура», «архитектурная форма», «конструктивная форма», «строительные конструкции», «прочность», «САПР»;

♦конструктивные знания - знания о структуре и взаимодей­ ствии частей различных объектов, которые формируются в сфере прикладных и технических наук. Например, «САПР - организаци­

онно-техническая система»;

♦процедурные знания - методы, алгоритмы и программы реше­ ния различных задач. Например, методы расчета и проектирования ин­ женерного оборудования; методы и программы для ЭВМ расчета строи­ тельных конструкций; программы выпуска сметной документации;

♦фактографические знания - качественные и количествен­ ные характеристики и показатели реальных объектов. Например, справочники, таблицы, СНиПы.

объектов, закономерностях процессов и явлений и правила исполь­ зования в задаваемых ситуациях этих данных для принятия новых решений.

Знания в конкретной предметной области, формализованные определенным образом и заложенные в память ЭВМ, называются компьютерной базой знаний, которая является необходимой со­ ставляющей систем искусственного интеллекта (СИИ).

Следует отметить, что имеются определенные трудности фор­ мализации профессиональных знаний специалистов строительного комплекса, связанные со все возрастающим многообразием строи­ тельных объектов.

§2. ВВЕДЕНИЕ В ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

Искусственный интеллект (ИИ) - это научная дисциплина, воз­ никшая в 50-х годах на стыке кибернетики, лингвистики, психологии и программирования.

Предметом изучения науки ИИ является человеческое мышле­ ние. Цели искусственного интеллектасоздание модели человече­ ского интеллекта и реализация ее на компьютере.

С самого начала исследования в области ИИ пошли по двум направлениям:

1.Бионическое: попытки смоделировать с помощью искусствен­ ных систем психофизиологическую деятельность человеческого моз­ га с целью создания искусственного разума.

2.Прагматическое: создание программ, имитирующих на ком­

пьютере мышление человека. Здесь достигнуты важные результаты, имеющие практическую ценность. В дальнейшем речь будет идти об этом направлении.

Искусственный интеллект, как следует из самого названия, придает компьютеру черты разума. Если обычная программа может быть представлена в парадигме:

Программа = Алгоритм + Данные,

то для систем искусственного интеллекта характерна другая па­ радигма:

СИИ = Знания + Стратегия обработки знаний.

Человек, приступая к решению какой-либо проблемы, часто не имеет четкой программы действий. Он ее строит в ходе работы. Компьютер любую работу исполняет по программе, написанной человеком. Разработка СИИ - попытка научить компьютер само­ стоятельно строить программу действий, исходя из условий задачи. Цель - превратить компьютер из формального исполнителя в интел­ лектуального (рис. 8.1).

Формальный исполнитель

Выполнение Результаты программы

Интеллектуальный исполнитель

Рис. 8.1. Модель функционирования формального

и интеллектуального исполнителя

Основным отличительным признаком СИИ является работа со знаниями. Для создания такой системы необходимо изучить про­ цесс мышления человека, решающего определенные задачи или принимающего решения в конкретной области; выделить основные шаги этого процесса и разработать программные средства, воспро­ изводящие их на компьютере.

В какой-то мере САПР всегда являлась областью прикладного искусственного интеллекта. В эвристических алгоритмах, реали­ зующих определенные этапы проектирования, заложены знания, учитывающие специфику предметной области, объекта проектиро­ вания, используемой технологии.

1. Человеческое мышление и основные идеи, лежащие в основе систем ИИ

Искусственный интеллект опирается на знания о процессе чело­ веческого мышления. Конечно, точно не известно, как работает чело­ веческий мозг, ученые только начинают постигать сложный меха­ низм интеллекта. Однако для разработки программ искусственного интеллекта имеющихся знаний вполне достаточно.

Рассмотрим основные процессы человеческого мышления и соответствующие элементы СИИ, составляющие процесс приня­ тия решения.

Определение ц е л е й. В основе человеческой деятельности лежит мышление. Мозг всегда сосредоточен на цели, независимо от того, выполняет ли человек простую физическую работу или реша­ ет сложную интеллектуальную задачу. Ц е л ь заставляет человека думать. Мысли, ведущие к конечному результату, не случайны, а строго обоснованы. Каждый шаг на пути к главной цели имеет свою локальную цель. Люди делают что-либо не потому, что дума­ ют, а думают потому, что должны что-то сделать [36].

При проектировании системы ИИ прежде всего нужно опре­ делить цели, для достижения которых она предназначена.

Ф а к т ы и п р а в и л а . Мышление человека основано на запасе знаний {факты) и способности к логическим рассуждениям Оправила).

Факт - это сообщение (информация) о конкретном событии, свойстве конкретного объекта, о его связях с другими объектами.

Например: 1. Напряжения в конструкции не должны превышать пре­ дельной величины. 2. Предельное значение ширины раскрытия трещины в бетоне составляет 0,04 мм.

Правила - это утверждения, обладающие большей общностью, чем факты. Они определяют одни понятия через другие, устанавли­ вают взаимосвязь между различными свойствами объектов, форму­ лируют законы природы и общества.

Например: 1 . ЕСЛИ напряжения в конструкции больше предельной

величины, ТО такая конструкция не должна использоваться; или 2. ЕСЛИ ширина раскрытия трещин в конструкции больше предельной величины, ТО следует изменить некоторые параметры конструкции.

Обычно правила выражены условным отношением ЕСЛИ-ТО, т.е. ЕСЛИ выполняется некоторое условие, ТО последует опреде­ ленное действие или какая-то другая реакция. Факты и правила мо­ гут быть разной сложности. Обычно при достижении цели люди связывают сложные совокупности фактов и правил.

Факты и правила - важная часть СИИ, без них нельзя достичь цели. Факты и правила хранятся в компьютере в базе знаний.

М е х а н и з м у п р о щ е н и я . Когда человеческий мозг приступает к решению даже самой простой задачи, для выбора нужных действий в его распоряжении имеется огромный объем ин­ формации. Человеческий мозг из огромного разнообразия фактов и правил выбирает подмножество, подходящее только к конкретной ситуации. Такой выбор называется упрощением. Механизм упро­ щения, позволяет обратиться к нужным фактам и правилам для дос­ тижения ближайшей цели. После того, как определены общие факты, необходимые для достижения цели, надо получить конкретные дан­ ные и присвоить значения переменным. Когда человек сталкивается

спроблемой выбора, он «взвешивает» различные соображения.

ВСИИ проблема выбора может решаться с помощью весовых коэффициентов фактов. Механизм упрощения программы пропус­ тит какую-то часть данных из БЗ с низкими весовыми коэффициен­ тами, но для этого должен существовать специальный набор правил.

М е х а н и з м в ы в о д а завершает мыслительный процесс человека, выполняя заключения на основании правил, отобранных механизмом упрощения и генерируя новые факты, которые добав­ ляются к знаниям человека. Именно механизм вывода позволяет человеку учиться на опыте, так как он приобретает новые знания из уже существующих и может применить их к новой ситуации.

Процесс достижения цели в СИИ базируется на двух концепци­ ях: прямой цепочке рассуждений и обратной цепочке рассуждений.

Прямая цепочка рассуждений, т.е. цепочка от данных к логи­ ческому заключению применяется, когда число потенциальных ре­ шений неуправляемо, а количество блоков данных, определяющее начальное состояние проблемы, - невелико. В этом случае задается последовательность вопросов, построенных таким образом, что ка­ ждый из них позволяет отбросить большую группу потенциальных

ответов, сужая пространство поиска. Так продолжается до тех пор, пока не останется один определенный ответ.

Обратная цепочка рассуждений применяется, когда имеется всего несколько решений при наличии огромных объемов входной информации. В каждый момент времени рассматривается только одно из возможных решений; а затем собираются и проверяются все свидетельства, которые могут его подтвердить или опровергнуть.

2. Модели представления знаний

Представление знаний - это соглашение о том, как описывать реальный мир. В естественных и технических науках принят сле­ дующий способ представления знаний:

♦на естественном языке вводятся основные понятия и отно­ шения между ними (факты и правила);

♦устанавливается соответствие между характеристиками (ча­ ще всего количественными) понятий знания и подходящей мате­ матической моделью.

Модель представления знаний является формализмом, призван­ ным отобразить свойства предметной области: объекты и отношения, связи между ними, иерархию понятий и изменение отношений между объектами.

Модель представления знаний может быть универсальной (применимой для большинства предметных областей) или специа­ лизированной (разработанной для конкретной предметной области). В СИИ чаще используются следующие универсальные модели представления знаний:

♦логические модели или модели формальной логики;

♦продукционные модели;

♦фреймовые модели;

♦модели неформальной логики и другие.

Логические модели. В основе этой модели лежат понятия формальной логики. В БЗ вводится множество базовых элементов теории. Определяются правила построения правильных предложе­ ний из базовых элементов. Задаются правила вывода —правила по­

строения новых объектов (предложений) из других правильных объектов системы.

Для построения предложений используются основные элемен­ тарные операции логики: дизъюнкция (V - ИЛИ), конъюнкция (& - И), инверсия (—1- НЕВЕРНО ЧТО), импликация (—>ЕСЛИ...ТО), и дру­ гие, а также логические связки, .(V - ДЛЯ ВСЯКОГО), (3 - СУЩЕСТ­ ВУЕТ). В модели формальной логики используются только 2 выска­ зывания: «истинно (1)» и «ложно (0)».

В данной модели база знаний представляет собой цепочки логи­ ческих функций (предикатов), которые позволяют получить выводы из имеющихся исходных данных (субъектов).

Когда на вход СИИ поступает описание задачи на языке этой теории в виде запроса, которое явно не представлено в БЗ, но если оно верно с позиций заложенных в БЗ знаний и не противоречит им, то может быть построено из объектов БЗ путем применения правил вывода. Процесс работы механизма вывода называют доказатель­ ством запроса. Если запомнить шаги процесса вывода и предста­ вить их пользователю, то это будет объяснением выработанного СИИ решения задачи.

Данная схема лежит в основе построения дедуктивных10 СИИ. Продукционные модели. Представляют набор фактов, соеди­

ненных правилами, которые объединяют определенные факты. Правила - неизменная часть модели, факты могут меняться. Пра­ вила связывают факты условиями типа «ЕСЛИ имеет место факт ТО наступает факт ...» и т.д. Такие цепочки рассуждений приводят к требуемому выводу.

Описание предметной области нетрудно ввести в ЭВМ - для этого надо создать соответствующее средство хранения множества фактов (базу фактов) и правил (базу правил) и построить интерпре­ татор базы правил, который по описанию текущего состояния предметной области в виде предъявленных ему фактов осуществля­ ет поиск выводимых из фактов заключений. Типичная структура продукционной системы ИИ приведена на рис. 8.2.

10 Дедукция - умозаключение, в котором на основании общих знаний

делают выводы для конкретного случая.

Рис. 8.2. Структура продукционной СИИ

В продукционных системах используют два основных спосо­ ба реализации механизма вывода: прямую цепочку рассуждений и обратную цепочку рассуждений.

Достоинство продукционных моделей - их модульность. Это позволяет легко добавлять и удалять знания в БЗ.

Недостатки: возникновение непредсказуемых побочных эф­ фектов при изменении старых и добавлении новых правил; низкая эффективность обработки данных, отсутствие гибкости в логиче­ ском выводе.

Фреймовые модели. Метод представления знаний с помощью фреймов предложен М. Минским.

Фрейм - минимальная структура информации о факте в БЗ, предназначенная для представления стереотипной ситуации.

Каждый фрейм содержит информацию о факте и условиях существования факта (УСФ). Фрейм может быть также условием существования другого факта.

Группа фреймов образует семантическую (смысловую) цепоч­ ку, которая позволяет сделать необходимый вывод.

В теории фреймов ничего не говорится о методах реализации фреймовой модели. Поэтому вслед за появлением теории фреймов появилось целое семейство систем программирования, поддержи­ вающих концепцию фрейм-подхода (KRL, GUS, FRL, OWL). Для большинства фреймовых языков свойственно иерархическое описание объектов предметной области с использованием типовых фреймов.

Фреймовые модели относят к процедурной форме представле­ ния знаний (рис. 8.3).

Рис. 8.3. Фрагмент фреймовой модели знаний

Модели нечеткой логики отличаются от моделей формальной (математической) логики тем, что кроме двух высказываний «исти­ на (1)» и «ложь (0)» используют такие высказывания, как «много», «мало», «часто», «редко», «около 80», «приблизительно 250», «не менее 5,0», «не более 1000», «в диапазоне от 0,5 до 0,75» и другие.

Значение истинности в этой модели принимает дробное значе­ ние от 0 до 1.

В нечеткой логике (как и в формальной) используются свои логические функции, позволяющие учесть в выводах неопределен­ ность входной информации.

Нечеткая логика позволяет делать приближенные рассуждения, основанные на нечетких исходных данных.

§3. Э к с п е р т н ы е с и с т е м ы

В настоящее время исследования в области искусственного ин­ теллекта имеют разную прикладную ориентацию. Наибольшие практические результаты достигнуты в создании экспертных сис­ тем (ЭС).

Экспертная система (ЭС) - программный комплекс, содер­ жащий знания специалистов из определенной предметной области,

обеспечивающий консультациями менее квалифицированных поль­ зователей для принятия экспертных решений.

ЭС позволяет выявлять, накапливать и корректировать знания из различных областей и на основе этих знаний формировать реше­ ния, которые считаются если не оптимальными, то достаточно эф­ фективными в определенных ситуациях. Исходя из практических соображений, для работы надо выбирать проблемные (предметные) области, в которых объем информации поддается управлению.

Принципиальным отличием экспертных систем от других про­ грамм является их адаптивность, т.е. изменчивость в процессе са­ мообучения.

Назначение ЭС - консультации пользователей, помощь в при­ нятии решений (при технических авариях, в экстремальных ситуа­ циях, при поиске неисправностей в технических устройствах т.п.). Но окончательное решение всегда принимает человек!

Все многообразие знаний, необходимых для функционирова­ ния ЭС, можно условно разбить на 2 группы:

1)знания о конкретной предметной области (понятийные, кон­ структивные и фактографические знания)',

2)методы и способы получения новых знаний из имеющихся в системе, реализуемые на ЭВМ в виде программ и предназначенные для выполнения операций над моделью проблемной среды (проце­ дурные знания).

1. Структура экспертной системы

Структура ЭС зависит от ее назначения и решаемых задач. В состав современных ЭС входят следующие основные компонен­ ты: база знаний, решатель, редактор базы знаний, подсистема объ­ яснений и интерфейс пользователя (рис. 8.4).

База знаний представляет собой совокупность знаний о пред­ метной области, организованных в соответствии с принятой моде­ лью представления знаний.

Решатель или подсистема логического вывода представляет собой программу, обеспечивающую автоматический вывод реше­ ния, позволяющую пользователю без программирования решать задачи путем описания задачи и исходных данных.

Рис. 8.4. Структура экспертной системы

Инженер по знаниям - специалист по ИИ, помогающий экс­ перту вводить знания в БЗ.

Эксперт - специалист в предметной области, способный при­ нимать экспертные решения и формулирующий знания о предмет­ ной области для ввода их в БЗ. В качестве экспертов используются конкретные специалисты, которые могут быть недостаточно знако­ мы с ЭВМ.

Редактор БЗ - программа для ввода в БЗ новых знаний. Пользователь ЭС - специалист в данной предметной области,

знания которого уступают знаниям эксперта.

Подсистема объяснений —программа, позволяющая пользова­ телю получать мотивированное умозаключение на каждом этапе.

Интерфейс пользователя - комплекс программ, обеспечиваю­ щих удобный диалог пользователя с ЭС при вводе запросов и полу­ чении результатов.

Конкретная экспертная система создается в результате совме­ стной работы инженера по знаниям и эксперта. Взаимодействие пользователя с ЭС осуществляется через интерфейс пользователя на близком к естественному или профессиональному языку предмет­ ной области непроцедурном языке. При этом производится транс­

ляция предложений на язык представления знаний экспертной сис­ темы. Описание запроса на языке представления знаний поступает в решатель, в котором на основе знаний из базы выводится решение поставленного запроса в соответствии с некоторой стратегией вы­ бора правил. С помощью подсистемы объяснений производится отображение промежуточных и окончательных выводов, объясне­ ние применяемой мотивировки.

2. Отличие экспертных систем от информационных систем

Информационные системы оперируют с данными.

♦ Информация в ИС представляется на двух уровнях (БД и про­ грамма).

♦Диалог с пользователем строится в строгом соответствии

симеющейся в БД информацией.

Экспертные системы оперируют со знаниями.

♦Информация организована тремя уровнями (БД, БЗ, про­ грамма).

♦Диалог с пользователем строится в свободной форме с выде­ лением трех режимов работы: консультационный, обучение пользо­ вателя правилам из БЗ а получение новых знаний от пользователяэксперта.

♦В ЭС предусмотрено изменение БЗ механизмами обучения

исамообучения, реализуемыми без участия пользователя.

3. Инструментальные средства создания ЭС

Для разработки ЭС применяются следующие инструменталь­ ные средства:

-Системы программирования на языках высокого уровня (C++, SmallTalk, Lisp, Refal, Basic, Pascal). Эти системы не содержат средств, предназначенных для представления и обработки знаний.

-Системы программирования на языках представления знаний (LogLisp, Prolog, OPS5...). Эти системы содержат собст­ венные средства представления знаний (в соответствии с опреде­ ленной моделью) и поддержки логического вывода. Разработка ЭС

с помощью этих систем основана на технологии обычного про­ граммирования.

-Оболочки (или пустые) ЭС (EM YCINЭкперт-микро) пред­ ставляют собой готовые экспертные системы без базы знаний. Тех­ нология создания и использования оболочки ЭС заключается в том, что из готовой ЭС удаляются знания из БЗ, затем база заполняется знаниями, ориентированными на другие приложения.

-Системы автоматизированного создания ЭС (EXSYS, Personal Consultant Plus. GURU’ Leonardo...). Это гибкие программ­ ные системы, допускающие несколько моделей представления зна­ ний, способов логического вывода и содержащие вспомогательные средства создания ЭС.

4. Перспективы применения ЭС в САПР

САПР - одно из наиболее перспективных областей приложе­ ния ЭС, т.к требует постоянного привлечения экспертных знаний

вбольшом объеме. Это связано со следующим:

-слабой структуризацией большинства проектных (и управ­ ленческих) задач;

-участием в постановке специалиста-эксперта;

-возможностью получения различных, но практически равно­ ценных решений;

-отсутствием единого алгоритма для решения задач;

-возрастанием сложности проектируемых объектов и увели­ чением их номенклатуры и т.п.

Рассматривая возможные направления совершенствования специализированных программных комплексов САПР, можно гово­ рить о том, что основные усилия разработчиков в ближайшем бу­ дущем будут направлены на интеллектуализацию программ. Уже сегодня разрабатываются программные комплексы, обладающие встроенной экспертной системой (например «МОНОМАХ»), кото­ рая в процессе расчета сообщает пользователю о некорректных приемах решения: недостаточное сечение элемента, переармирование и т.п.