![]() |
![]() |
![]() |
3.4.2.
Сравнение MYCIN и STRIPS
Возвращаясь
вновь к системе STRIPS, отметим, что, как показывает опыт работы с этой программой,
она способна решать только самые простенькие проблемы. Сложности появляются
при самых разных обстоятельствах. Вот только два примера.
Отчетливо
видно, что модель мира в системе STRIPS оказалась "бедной на знания",
т.е. она содержит очень мало специфических знаний о помещениях и объектах, которые
должны перетаскивать роботы, например о весе и габаритах объектов и размерах
дверных проемов в стенах. Для перемещения объектов используются только те эвристики,
которые содержатся в таблице операторов. Например, отсутствуют эвристики, позволяющие
избежать маршрутов движения через слишком узкие проемы, комбинировать перемещаемые
объекты с учетом грузоподъемности робота. Отсутствует также подготовительная
фаза, на которой можно было бы сгруппировать объекты, перемещаемые по близким
маршрутам.
Более широкие
возможности системы MYCIN в решении проблем проистекают от двух факторов: большой
набор правил, которые используются для формирования гипотез и способов подтверждения
их истинности, и большая база данных, в которой хранится информация о микроорганизмах,
медикаментах и лабораторных тестах. В то же время механизм управления применением
правил в MYCIN несколько проще, чем в STRIPTS. Основное различие между двумя
программами состоит не в отличиях между областями применения, а в способности
использовать декларативные знания в своей области.
В главе 2
мы обращали ваше внимание на то, что пионеры в области экспертных систем очень
быстро пришли к выводу, что лучше передать программе фактические сведения о
специфике предметной области и правила разного уровня абстракции, а затем применять
довольно простые правила влияния, чем передать системе информацию о более общих
законах, действующих в этой предметной области, и обобщенные алгоритмы целенаправленного
логического вывода. Человек-эксперт предпочитает действовать исходя из общих
законов только в особо трудных, необычных ситуациях, а в большинстве других
использует уже апробированные, знакомые ему решения.
Мы также отметили,
что одна из особенностей экспертных систем, отличающих их от обычных программ,
состоит в широком использовании эвристик, которые помогают минимизировать количество
шагов поиска при решении проблемы. Такой ускоренный путь решения проблем воспроизводит
и механизм мышления человека-эксперта, который применяет базовые принципы только
в редких случаях, а в большинстве ситуаций вполне удовлетворяется решениями
из накопленного опыта. В результате цепочка рассуждений оказывается довольно
короткой и крайне специфичной для каждой конкретной ситуации.
Использование
эвристик также означает, что процесс рассуждений в экспертной системе не всегда
может быть "озвучен", т.е. не всегда образует цепочку логической дедукции.
Инженер по знаниям должен не только решить, как структурировать знания
в базе знаний экспертной системы, но и как использовать эти знания в
процессе построения заключения. Структура машины логического вывода обычно определяется
как используемым представлением знаний, так и механизмом применения этих знаний.
Например, на любой стадии решения проблемы может сложиться ситуация, когда возможно
применение более чем одного правила (элемента знаний). Более того, эти правила
могут взаимно не согласовываться или даже быть противоречивыми. Так, в систему
планирования маршрута разносчика посылок могут быть заложены эвристические правила,
одно из которых гласит:
"Первыми
разнести посылки тем адресатам, которые расположены наиболее близко",
а второе:
"Избегать
выезда в предместья во время напряженного трафика".
Если окажется,
что довольно много адресатов компактно расположены в предместье, а расписание
разноски составлено так, что посылки нужно доставить как раз тогда, когда на
дорогах массовое движение, то эти два правила противоречат друг другу. Машина
логического вывода должна быть спроектирована так, чтобы справляться с подобными
противоречиями.
Довольно распространено мнение, что способ, основанный на эвристиках, может привести к ошибочному заключению, да и сами эвристики зачастую противоречивы. Тем не менее эвристики широко используются в экспертных системах, поскольку во многих областях их применения просто не существует надежных алгоритмов общего вида для поиска решения, либо такие алгоритмы требуют огромных вычислительных ресурсов в виду комбинаторного взрыва, т.е. экспоненциального роста сложности поиска при линейном росте размерности задачи (об этом мы говорили в главе 2). Отсюда ясно, почему при построении экспертных систем такое большое внимание уделяется средствам представления узкоспециальных знаний в конкретной предметной области, большинство из которых являются эвристиками. Подробный анализ различных схем представления таких знаний будет проведен в главах 4-8.
![]() |
![]() |
![]() |