База знаний как часть экспертной системы

Мозг ЭС — база знаний. По сути, это концентрат опыта: факты и правила, которые вытащили из голов экспертов и упаковали так, чтобы компьютер мог с ними работать.

Давайте разбираться: как это устроено, с чего всё начиналось и почему без базы знаний экспертная система — как костюм без человека.

Экскурс в историю экспертных систем

В конце 1960‑х исследователи искусственного интеллекта сместили фокус с теоретических дискуссий на практические задачи. Вместо того чтобы создавать «мыслящую машину», они решили использовать уже существующие знания профессионалов. Проще говоря — собрать мудрость экспертов в одну базу, а потом научить машину этой базой пользоваться.

Первые ласточки появились уже в середине 1960‑х:

• DENDRAL (Стэнфорд, 1965) — «химическая» система, которая по данным масс‑спектрометрии угадывала молекулярную структуру органических соединений.

• MYCIN (1970‑е) — медицинский помощник, который диагностировал бактериальные инфекции крови и менингит, а ещё подбирал антибиотики.

MYCIN особенно впечатляла: в её базе было около 600 правил формата «ЕСЛИ‑ТО», впитавших опыт врачей‑инфекционистов. И что круче всего — система не просто ставила диагноз (часто не хуже живого специалиста!), но и объясняла, как пришла к выводу. Можете представить? Машина отвечала на вопросы «Почему?» и «Как?».

Этот успех породил волну систем в 1980‑х:

• XCON (от Digital Equipment Corporation) — помогала конфигурировать компьютерные системы.

• PROSPECTOR — анализировала геологические данные и искала месторождения.

Тогда же оформилась тройка ключевых ролей:

• Эксперт — тот, кто делится знаниями.

• Инженер по знаниям — переводчик с «человеческого» на «машинный».

• Пользователь — тот, кто применяет систему в деле.

Итог прост: базы знаний и экспертные системы развивались рука об руку. Чем умнее становились способы хранить и обрабатывать информацию, тем сложнее были задачи, которые они решали.

Структура экспертной системы

Чтобы понять, как работает экспертная система, начнём с её устройства: разберём основные блоки и то, как они взаимодействуют между собой.

База знаний (БЗ)

В отличие от обычной базы данных, в базе знаний представлена набором правил и закономерностей, которые машина может понимать и применять. Она включает:

• Факты. Статические, неизменяемые в рамках сеанса сведения о предметной области (например, «уровень гемоглобина в норме составляет 130-160 г/л», «сталь марки Ст3 имеет предел текучести 245 МПа»).

• Правила. Знания вида «ЕСЛИ [условие], ТО [действие/заключение]». Они представляют собой эвристики — логические цепочки, которыми руководствуется эксперт.

• Метазнания. Это, грубо говоря, «знания о знаниях». Представьте, что у вас есть набор правил для решения задач. Метазнания объясняют:

- как и когда эти правила применять;

- насколько им можно доверять;

- что делать, если ситуация неясна.

• Описания объектов и их атрибутов (онтологии). Это своего рода «словари» для машин. Они описывают объекты существуют, их свойства и взаимосвязь. Так компьютер учится понимать мир примерно как человек — через понятия и их взаимосвязи.

Механизм логического вывода (инференционный двигатель)

Это «двигатель» системы, алгоритмическое ядро. Он не обладает собственными знаниями, но умеет манипулировать содержимым БЗ. Его основные функции:

• Сопоставление. Анализ текущей ситуации (введенных пользователем фактов) с условиями правил из БЗ.

• Выбор стратегии вывода. Определение направления рассуждений — от данных к цели (прямой вывод, или движение «вперед») или от гипотезы (цели) к данным, ее подтверждающим (обратный вывод, или движение «назад»).

• Разрешение конфликтов. Если одновременно активируются несколько правил, механизм выбирает одно по определенному приоритету (например, наиболее специфичное или последнее использованное).

• Обеспечение диалога. Запрос у пользователя недостающих данных для продолжения логической цепочки.

Пользовательский интерфейс

Посредник между человеком и системой. Он должен быть не просто удобным для ввода данных, а “разговаривать” с пользователем на привычном для его профессии языке. Например, врач ждёт одних формулировок, инженер — других.

Подсистема объяснений

Это «голос разума» системы. Она:

• показывает, как было получено заключение;

• объясняет, почему нужны конкретные данные;

• помогает пользователю доверять результатам.

Без неё система выглядит как чёрный ящик — выводы есть, а логики не видно.

Интеллектуальный редактор базы знаний

Это, по сути, рабочая панель инженера по знаниям. С ним можно:

• вносить новые правила;

• корректировать старые;

• сразу проверять, не конфликтуют ли они между собой.

Так база знаний и экспертная система работают как единое целое: одно без другого просто не функционирует.

Какие существуют модели представления знаний

Выбор способа формализации знаний — это определяющий этап в проектировании ЭС. От адекватности модели предметной области зависят эффективность работы и сложность механизма вывода. Рассмотрим основные модели.

Продукционные модели (системы правил)

Самый старый и популярный способ записать знания в системе — это продукционные модели, или просто «правила». Выглядит это так: «ЕСЛИ что‑то происходит, ТО делаем вот это».

Плюс в том, что с такими правилами удобно работать:

• можно легко добавить новое или убрать ненужное;

• они похожи на человеческие «лайфхаки» и понятны большинству;

• их просто читать и проверять.

Но есть и минусы. Когда правил становится очень много (тысячи), начинаются проблемы:

• где‑то правила начинают друг другу противоречить;

• трудно быстро найти нужное;

• сложно описать что‑то сложное, где много уровней и связей.

Пример реального правила: «ЕСЛИ загорелся индикатор „давление масла“, но уровень масла в норме, ТО, скорее всего, сломался датчик или масляный насос».

Семантические сети

Семантические сети — это способ показать знания в виде картинки‑схемы. Представьте граф, в котором:

• узлы — это понятия или предметы (например, «Бигль», «Собака»);

• стрелки между ними — связи типа «является», «входит в состав», «имеет свойство».

Так легко нарисовать иерархии и ассоциации. Например:«Бигль» → (is‑a) → «Собака» → (is‑a) → «Хищное млекопитающее» → (is‑a) → «Животное».

А ещё система может «додумывать»: если у «Собаки» есть свойство «лает», то и «Бигль» его наследует — благодаря иерархии.

Фреймовые модели

Суть в том, что мы описываем что‑то (объект или ситуацию) через «шаблон» — так называемый фрейм.

Представьте карточку с пустыми полями: это и есть фрейм. Поля называются «слотами» — по сути, это атрибуты объекта. В каждый слот можно вписать:

• конкретное значение;

• правило, как это значение вычислить;

• ссылку на другой фрейм (то есть на другую карточку).

Например, фрейм «АВТОМОБИЛЬ» может содержать такие слоты:

• МАРКА (например, «Toyota»);

• МОДЕЛЬ (например, «Camry»);

• ДВИГАТЕЛЬ (здесь не текст, а ссылка на отдельный фрейм «ДВИГАТЕЛЬ»);

• ГОД ВЫПУСКА (например, 2023).

Такая модель удобна, когда нужно описать сложный объект со множеством связанных деталей.

Логические модели

Логические модели — это способ записать знания «на языке математики».  А точнее математической логики. Знания превращаются в формулы — вроде уравнений, только для смыслов. Система «рассуждает» с помощью логических правил. Например, применяет метод резолюции, чтобы доказать или опровергнуть утверждение.

Плюс: всё строго и точно — никаких двусмысленностей.

Минус: в жизни часто встречаются «серые зоны»:

• не хватает данных;

• информация расплывчатая;

• факты противоречат друг другу.

С таким логическая модель справляется плохо — ей нужны чёткие, непротиворечивые исходные данные.

Онтологические модели

Онтологические модели — это следующий шаг после семантических сетей и фреймов. По сути, это подробный «словарь» для конкретной области знаний.

Что в него входит:

• чёткие определения понятий (что значит тот или иной термин);

• свойства этих понятий (какие у них характеристики);

• связи между ними (как они соотносятся друг с другом).

Это нужно, чтобы:

• сделать базу знаний более строгой — без двусмысленностей;

• научить машины «понимать» термины одинаково;

• дать разным системам возможность обмениваться знаниями.

На практике часто используют «микс» моделей. Например:

• продукционные правила (те самые «ЕСЛИ — ТО») — чтобы описать, как принимать решения;

• фреймы или онтологии — чтобы выстроить чёткую структуру объектов в предметной области.

Так система получается и гибкой, и строгой одновременно.

Классификация экспертных систем

Разнообразие задач, которые решают экспертные системы, порождает множество подходов к их систематизации. Классификация ЭС — не просто теоретическое упражнение: она служит практическим инструментом, позволяющим:

• определить тип решаемой задачи;

• понять, какие данные и знания задействованы;

• выбрать оптимальную архитектуру системы;

• подобрать подходящую модель представления знаний.

Ключевые основания для классификации:

По типу решаемой задачи. ЭС группируют в зависимости от того, какую интеллектуальную функцию они выполняют:

• интерпретация данных;

• диагностика неисправностей или заболеваний;

• мониторинг процессов в реальном времени;

• проектирование объектов и систем;

• прогнозирование развития ситуаций;

• сводное планирование ресурсов;

• оптимизация решений;

• обучение и поддержка принятия решений;

• управление технологическими процессами;

• ремонт и отладка оборудования.

По связи с реальным временем. Здесь важен фактор динамики данных и знаний:

• статические ЭС — работают с неизменными во времени данными и знаниями (например, справочные системы);

• квазидинамические ЭС — обрабатывают информацию, меняющуюся с фиксированным интервалом (например, отчёты раз в час);

• динамические ЭС — решают задачи в условиях постоянно обновляемых данных (например, системы управления производством).

По виду используемых знаний. Классификация отражает степень определённости и структуру знаний:

• ЭС с детерминированными (чётко определёнными) знаниями — работают с точными фактами и правилами;

• ЭС с неопределёнными знаниями — учитывают неполноту, неточность или противоречивость данных (часто используют нечёткую логику).

По числу источников знаний. Зависит от того, сколько экспертных мнений и баз данных интегрировано:

• системы с одним источником знаний — опираются на единую базу правил или онтологию;

• системы с множеством источников — объединяют альтернативные или дополняющие друг друга знания (например, мнения разных экспертов).

По способу формирования решения. Определяет логику вывода:

• аналитические ЭС — строят решение пошагово, анализируя данные;

• синтетические ЭС — генерируют варианты решений и выбирают лучший.

Зная тип ЭС, разработчик может:

• Выбрать модель знаний. Например, для диагностических систем часто используют продукционные правила («ЕСЛИ — ТО»), а для описания сложных объектов — фреймы или онтологии;

• Определить архитектуру. Статические задачи требуют простой структуры, динамические — механизмов обновления знаний в реальном времени;

• Оценить инструменты. Для ЭС с неопределёнными знаниями подойдут методы нечёткой логики, для детерминированных — классические логические модели;

• Спланировать интеграцию. Системы с множеством источников знаний нуждаются в механизмах согласования данных.

Пример использования баз знаний в экспертных системах

Чтобы наглядно увидеть, как работает база знаний (БЗ) в составе экспертной системы, рассмотрим реальный сценарий — диагностику заболеваний в медицине. Например, ЭС для первичной диагностики острых состояний. Её база знаний содержит:

• правила вида «ЕСЛИ — ТО» («Если температура > 39 °C И боль в правом боку > 6 часов, ТО подозревать аппендицит»);

• иерархию симптомов и их вероятных причин;

• пороги значений (норма/патология) для анализов и показателей;

• рекомендации по дополнительным исследованиям для уточнения диагноза.

Пошаговый пример работы выглядит так:

Ввод данных

Врач или пациент вносит симптомы:

• температура 39,2 °C;

• острая боль в правом боку;

• тошнота;

• длительность боли — 8 часов.

Анализ БЗ

Система сопоставляет данные с правилами из базы:

• находит совпадение с шаблоном аппендицита;

• проверяет исключающие условия (нет ли признаков других заболеваний);

• оценивает степень уверенности (например, 85%).

Вывод и объяснение

Система выдаёт результат: «Наиболее вероятный диагноз: острый аппендицит (вероятность 85%).

Рекомендуется: срочная консультация хирурга, общий анализ крови, УЗИ брюшной полости».

Плюс — поясняет логику:

«На основании: высокой температуры, длительной боли в правом боку и тошноты. Симптомы соответствуют правилу №142 из БЗ».

Уточнение

Если врач сомневается, он может запросить альтернативные варианты. Система перепроверяет данные по другим правилам БЗ и предлагает: «Менее вероятные варианты: почечная колика (10 %), кишечная непроходимость (5 %)».

Это работает потому что:

• БЗ хранит экспертный опыт — формализованные знания врачей, накопленные годами.

• Правила структурированы — система не «гадает», а следует чётким алгоритмам.

• Есть прозрачность — пользователь видит, как получен вывод (в отличие от «чёрных ящиков» типа нейросетей).

• Можно дорабатывать — инженеры добавляют новые правила при появлении свежих клинических данных.

Аналогичные принципы работают в других областях:

• Техника: диагностика поломок оборудования («Если вибрация > X И температура двигателя > Y, ТО проверять подшипник»).

• Финансы: оценка кредитных рисков («Если доход < Z И история просрочек > 3, ТО отказать в кредите»).

• Юриспруденция: анализ договоров («Если пункт А содержит формулировку B, ТО требуется согласование с юристом»).

• Сельское хозяйство: рекомендации по обработке полей («Если влажность почвы < C И температура > D, ТО поливать утром»).

***

Базы знаний в экспертных системах — это способ сохранить и использовать человеческий опыт. Хотя сейчас популярны нейросети, экспертные системы по‑прежнему нужны там, где важно понимать, почему принято решение: в медицине, авиации, энергетике, юриспруденции.

Сегодня тренд — не выбирать между подходами, а объединять их. Гибридные системы совмещают:

• базы знаний (логика и структура);

• машинное обучение (анализ текстов, изображений, сигналов).

Так база знаний из набора правил превратилась в гибкий элемент сложных систем. Её развитие — на стыке информатики, психологии и предметных областей.

Используйте инструменты TEAMLY, чтобы управлять рабочими процессами

Записывайтесь на онлайн-презентацию! Продемонстрируем интерфейс и все возможности платформы

Получить демо