Комбинирование методов при построении интеллектуальных систем

КОМБИНИРОВАНИЕ МЕТОДОВ ПРИ ПОСТРОЕНИИ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ

В статье рассмотрено два класса методов, которые используются при построении модели интеллектуальной системы, а также возможности их совместного использования в рамках данной модели. Пойдёт речь о комбинировании закономерного подхода и методов, использующих нейронные сети для работы интеллектуальной системы. Для построения интеллектуальных систем можно взять множество методов. В данной статье мы рассмотрим пару таких методов. Первым будет метод логического программирования, он довольно удачно применяется при конструировании «экспертных систем», а втором методе, в основу достижения «интеллектуальности» системы положено использование свойств нейронов и нейронных сетей.

Два этих метода между собой редко соперничают в рамках какой-либо специализированной задачи, потому что случай экспертных систем требует обычно существование должной базы знаний, она является основой для принятий решений такого рода. И все же, эта база знаний может изменяться и расширяться при наличии свойства обучаемости у данной системы, но и эти процессы, как правило, подчинены определённым законам и в некоторой степени заранее известны. Этот же фактор «заранее известности» в той или иной степени находится и при эксплуатации нейронных сетей, однако, начальными данными здесь является не набор знаний, а набор определённого рода ситуаций, в которых известно желаемое поведение системы. По этому набору определяются начальные характеристики нейронов и связей между ними (если имеются таковые) и, соответственно, первичное состояние всей нейронной сети [1].

Два подхода имеют свои преимущества в разных ситуациях. Нашей целью является выбор примера, когда было бы вполне оправданно и разумно применить оба этих метода. Конечно, не в противовес друг другу, а в целях взаимного их дополнения. Поставим цель выбора задачи, которая должна обладать свойством обязательного наличия начальной базы знаний, а также свойствами присутствия условий с неоднозначным их разрешением и обучаемостью.

Необходимости выбора решения и присутствие базы знаний с использованием данной базы оправдывает применение метода логического программирования. Свойство неоднозначности решений допускает нам применить методы нейронных сетей, когда подобные неоднозначности разрешаются, с использованием накопленного за время работы системы опыта, а правила выбора какого-либо решения из предложенного «экспертной составляющей» набора решений могут изменяться со временем. Следовательно, мы приходим логически к решению вопроса об «обучаемости» подобной интеллектуальной системы. Обучаемость тоже направленна по независимым двум путям. Одно направление затрагивает дополнение начальной базы знаний или изменения, которое используется для принятия решений экспертной составляющей нашей системы, а другое направление затрагивает подстройку свойств нейронов и их связей в нейронной сети [2].

Примера, реализующего наши цели, возьмем послужит задача построения медицинской интеллектуально-экспертной системы. Чтобы более наглядно проявить именно идею двойной оценки ситуации разными рода методами, выберем для формирования рекомендаций методы восточной медицины. Дело в том, что именно эти методы, по нашему мнению, является довольно ярким примером применения идей дуальности, т.е. идей комплексных оценок ситуации с использованием порой принципиально различных методов. Кроме этого, и сама оценка ситуации интересна, она приводит к выбору метода лечебного воздействия [1]. Но дело в том, что врачи могут оценить одну и ту же ситуацию абсолютно различными способами и, следовательно, выбрать разные способы воздействия, которые, все-таки, приводят к желаемому результату.

Исходя из вышесказанного, можно допустить, что и моделирование поведения врача, работающего именно при такой точки зрения, производимое нашей интеллектуальной системой, может привести к большому набору категорий допустимых решений. Все эти категории будут по-своему верной и вполне жизнеспособной с точки зрения её практической реализации. Именно в такой ситуации, по нашему мнению, будет верным решением использовать оценку другим методом, дополнив, возможно, картину какими-либо ещё данными. В этом случае выбор набора категорий может происходить логическими методами, а определение наиболее подходящей категории из уже определённого ранее набора, может быть осуществлено методами, использующими нейронные сети[1]. То есть, нашей целью будет, в том числе и то, чтобы интеллектуальная составляющая экспертной системы, исходя из каких-либо второстепенных факторов, сама выбирала из нескольких вариантов один или, хотя бы, давала возможные рекомендации по этому поводу.

Как говорилось ранее, для осуществления первой экспертной составляющей можно использовать логический подход. Так, можно завести много утверждений, из которых будут выноситься рекомендации по излечиванию «элементарных» составляющих болезни. Наборы правил будут сводить в произвольной формулировке о синдромах заболевания к элементарным составляющим, заложенным в утверждениях, и тем самым искать возможные варианты излечения. Здесь вариантов решения ситуации будет появляться несколько. На пример, если посчитать, что категория воздействия выбрана уже и функциональная система, на которую будет оказано воздействие, то возможно распараллеливание вариантов по набору зон воздействия, множества которых вообще могут не пересекаться между собой. Следовательно, в качестве результата работы экспертной составляющей выдаваться может набор видов лечения, а также возможных набор рецептов воздействия в рамках каждого вида. Отметим, что количество возможных вариантов ответов напрямую зависеть будет от количества методов, содержащихся в базе данных наше экспертной системы [2]. С точки зрения возможной эффективности результата, увеличение количества методов в базе будет увеличивать шанс выбрать наиболее удачное решение, применимое к какому-либо конкретному случаю.

Вторую составляющую условно обозначить можно как интеллектуальную. Как ранее указано, основной задачей интеллектуальной составляющей нашей экспертной системы будет являться выбор множества решений из одного или несколько вариантов, предложенных экспертной составляющей. Возможна и такая реализация системы, когда не выбор варианта осуществляется, а некоторая оценка предложенных экспертной составляющей решений. Здесь, в качестве варианта реализации поставленной задачи, уместно предложить вариант использования нейронной сети. Как уже говорилось, оценка решений может проходить даже не по основным данным (по синдрому - в нашем случае), сколько по дополнительной информации. Итак, основные и дополнительные данные задавая на выходе, мы хотим получить, во-первых, рекомендации по выбору категории лечебного воздействия, а, во-вторых, рекомендации по выбору одного из возможных рецептов. Инструментом по реализации интеллектуальной составляющей системы, в рамках использования нейронных сетей, рассмотрим вариант применения нейронной сети Хопфилда, где на вход сети будем подавать бинарные коды исходных характеристик (основных и дополнительных), а на выходе сети будем получать коды упоминавшийся уже рекомендаций по выбору возможного подходящего варианта решения. Также, не нужно забывать и про проблему обучаемости нейронной сети, ведь именно она должна обеспечить корректную работу интеллектуальной составляющей. Отметим, что теоретически возможен следующий вариант, когда все знания необходимые будут заранее заложены в интеллектуальную составляющую, и тогда не потребуется обучаемость, но такой вариант представляется нам осуществим менее реально, нежели вариант с обучаемостью [2]. Но и его нужно рассматривать как один из возможных.

Таким образом, мы проанализировали идеи по построению интеллектуальной экспертной системы, по нашему мнению, которая, должна совмещать в себе оценку найденных экспертной составляющей решений с помощью работы нейронной сети и логический подход экспертной системы. Данная идея дуальности о совмещении двух оценок одной ситуации рассмотрена была на примере применения к подходу экспертной медицинской оценки, в том варианте, в котором сама идея методов комбинирования заложена изначально. Поэтому идея принципиально разных оценок одной ситуации здесь вполне уместна, по нашему мнению.

Список литературы

Братко И. Алгоритмы искусственного интеллекта на языке PROLOG/ И. Братко.- М.: Вильямс, 2012.-256с.

Редько В.Г. От модели поведения к искусственному интеллекту. / В.Г. Редько,- М.: КомКнига, 2013.-192с. УДК 004.457

Количество показов: 428