Человеческий фактор. Том 3. Часть 1 - Сальвенди Г.
ISBN 5-03-001815-8
Скачать (прямая ссылка):
Несомненно, что способности экспертных систем к обучению далеко не достигают изощренности, присущей аналогичным способностям человека. Однако обучаться некоторым элементарным вещам экспертные системы способны. Ряд таких обучающихся систем будет рассмотрен в следующей главе.
Рис 3 7 Простая модель обучающейся системы [26]
Одним из видов обучения является настройка параметров ('коэффициентов), применявшаяся Сэмюэлем [104] в его программах для игры в шашки. В этих программах, как и во многих других, для повышения эффективности решения задач использовались эвристики, основанные на статистическом обобщении информации, поступающей из разных источников (называемых факторами). В случае программ для игры в шашки к этим факторам относятся расстояние до искомого (целевого) состояния, стоимость и различия в атрибутах текущего и целевого состояний. Эти факторы оцениваются с точки зрения их важности для повышения эффективности поиска, и на основе этой оценки каждому из них приписывается некоторый нес. Исходные значения весов (коэффициентов) задаются программистом. Способность системы к обучению характеризуется тем, в какой мере она может изменять (увеличивать или уменьшать) веса, приписанные разным факторам, в зависимости от достигнутых результатов. Например, если формула для получения обобщенной статистики имеет вид Cifi+C2^+ + 4-Ci6^i6, где символами t обозначены 16 разных факторов,
172 Глава 3
а символами С — соответствующие веса, то идея такого подхода состоит в том, чтобы модифицировать значения коэффициентов С. Однако, прежде чем менять эти значения, необходимо установить абсолютную величину и направление изменений. Очевидно, что веса тех факторов, которые позволяют с большей точностью предсказывать конечный результат, должны быть увеличены, и наоборот. Возникает проблема — как обеспечить обратную связь с программой, исходя из анализа состояний, получаемых на каждом шаге ее работы в результате применения всевозможных операторов при данном значении обобщенной статистической характеристики. В рассматриваемой программе обратная связь осуществляется с помощью некоторой жестко заданной функции, используемой для сравнительной оценки всевозможных состояний с точки зрения важности каждого из них. После этого программа соответствующим образом корректирует веса разных факторов, усиливая или ослабляя их влияние.
Другой способ обучения можно было бы назвать «автоматизированным консультированием». В этом случае ЭС пытается взаимодействовать с экспертом так, чтобы увеличить объем своих знаний и улучшить их структурную организацию. Эта форма обучения была реализована в системе TEIRESIAS [32J, которая могла «консультироваться» со специалистом, интерпретировать полученные от него сведения и преобразовывать их в форму, пригодную для непосредственного использования исполнительной подсистемой ЭС. Такое преобразование называется «операционализацией» и является активным процессом, включающим такие действия, как вывод следствий из сказанного специалистом, уточнение подробностей, запрашивание дополнительных данных. Другая система, ETS [4J, подобна системе TEIRESIAS в том отношении, что она также может приобретать новые знания и учиться в процессе автоматизированного взаимодействия с экспертом. Поскольку в случае этих двух систем речь идет о приобретении знаний у человека, они были подробнее рассмотрены в одной из предыдущих глав.
В экспертных системах применялись или потенциально могут применяться и другие методы обучения из области искусственного интеллекта. Одним из таких методов является обучение понятиям. В работах по искусственному интеллекту под понятием понимается предикат, разбивающий пространство примеров на негативное и позитивное подмножество. Коэн и Фейгенбаум [26] следующим образом формулируют задачу обучения в случае одного понятия. Даны. 1) язык представления понятий (тем самым неявно определено «пространство правил», т. е. множество всех понятий, выразимых в этом языке); 2) множество положительных (обычно также и отрица-
Экспертные системы
173
тельных) учебных примеров. Найти: единственное понятие в пространстве правил, которое наилучшим образом охватывает все позитивные примеры (и ни одного негативного). В большинстве работ предполагается, что если приведено достаточно много учебных примеров, то существует в точности одно согласующееся с ними понятие.
Однажды освоенное понятие может использоваться далее при выполнении разнообразных заданий. В задачах классификации оно может оказаться полезным тогда, когда ЭС сталкивается с чем-либо новым, ей еще неизвестным, и должна отнести это нечто в разряд либо положительных, либо отрицательных примеров данного понятия. Оно может также использоваться для прогнозирования, если учебными примерами являются следующие друг за другом элементы некоторой последовательности. Наконец, это понятие может использоваться для сжатого представления данных, когда системе известно множество всех возможных примеров и перед ней поставлена задача найти такое понятие, которое позволило бы представить эту совокупность данных в некотором компактном виде. Задача обучения отдельному понятию реашлась такими программами и алгоритмами, как метод пространства вариантов [83, 84], программа BACON [69] и обучающаяся программа INDUCE, предназначенная для распознавания структурированных понятий [35].
