Принцип работы архитектур агентов

Рассмотрим далее одну из самых известных систем, архитектуру  которуюю можно отнести к классу консультационных агентных архитектур систему MYCIN.

Система MYCIN была разработана в Стенфордском университете в 1970-х годах [1,с.89]. Задачей системы является диагностика и лечение определенных классов инфекционных заболеваний крови. Диагностирование инфекционных заболеваний «обычным образом» включает в себя разведение культуры вируса. На это требуется около 48 часов, что нередко отрицательно сказывается на здоровье пациента. Так что врачам нужно было быстро найти предположения относительно вероятных причин заболевания по имеющимся данным и использовать эти предположения для подбора лекарств. Часто программу MYCIN считают диагностической, но это не совсем так. MYCIN был разработан частично с целью исследования постановки диагнозов экспертами на основании приблизительных (но важных) предположений, основанных на частичной информации. Однако, потенциально важной для практики была следующая проблема - имеется большое количество молодых докторов или докторов, не являющихся специалистами в данной области, которым иногда приходится ставить такие диагнозы, и если бы имелся какой- либо инструмент, который мог помочь им, тогда это могло бы позволить более эффективно проводить лечение. Фактически, MYCIN никогда не использовалась на практике. Это произошло не из-за её недостатков — на тестировании она превзошла по быстродействию членов Стенфордской медицинской школы. Это произошло во многом из-за этических и юридических проблем, связанных с использованием компьютеров в медицине — если произойдет ошибка, кто будет в этом виноват?

Совершим небольшой экскурс  в ту предметную область, в которой  используется MYCIN, — в область диагностики и лечения заболеваний крови. Это описание достаточно поверхностное, однако нельзя рассматривать структуру и работу системы в отрыве от той области знаний, с которой данная система имеет дело.

«Антимикробный агент» —  это любой лекарственный препарат, созданный для уничтожения бактерий и воспрепятствования их роста. Некоторые  агенты слишком токсичны для терапевтических  целей, и не существует агента, который  является эффективным средством  борьбы с любыми бактериями. Выбор  терапии при бактериальном заражении  состоит из четырех этапов:

1. выяснить, имеет ли место определенный вид заражения у данного пациента;
2. определить, какой микроорганизм (микроорганизмы) мог вызвать данный вид заражения;
3. выбрать множество лекарственных препаратов, подходящих для применения в данной ситуации;
4. выбрать наиболее эффективный препарат или их комбинацию.

Первичные анализы, взятые у  пациента, направляют в микробиологическую лабораторию, где из них выращивается культура бактерий, т.е. создаются наилучшие  условия для их роста. Иногда уже  на ранних стадиях можно сделать  заключение о морфологических характеристиках  микроорганизмов. Но даже если микроорганизм, вызвавший заражение, и идентифицирован, еще неизвестно (или нет полной уверенности), к каким препаратам он чувствителен.

После 1976 года система неоднократно модифицировалась и обновлялась, но базовая версия состояла из пяти компонентов (рис. 2.1) Стрелки на рисунке показывают основные потоки информации между модулями.

 

                                       Рисунок 1.1 — Система MCY1N

 

База знаний содержит множество  правил заданных в продукционной  форме и связанные с ними коэффициенты уверенности. Коэффициенты уверенности  устанавливаются для каждого  правила в диапазоне [0..1] (0 - правилу  нельзя верить; 1 - правило является абсолютно верным).

Динамическая база данных пациентов содержит информацию о  конкретных пациентах и их заболеваниях. Эта информация используется для  конкретизации поставленной перед  системой текущей задачи.

Консультирующая программа  задает вопросы, выводит заключения системы и дает советы для конкретного  случая, используя информацию о пациенте и знания, хранящиеся в базе знаний системы.

Объясняющая программа отвечает на вопросы и дает пользователю информацию о том, на чем основываются рекомендации или заключения, сформулированные системой. При этом программа приводит трассировку процесса выработки рекомендаций.

Программа восприятия знаний служит для обновления знаний, хранящихся в системе. Обновление знаний происходит путём внесения в систему новых  правил и корректировке старых. Стоит  отметить, что знания вносятся именно из вне, экспертом в области инфекционных заболеваний, данная система не способна к самостоятельному обучению.

Подсистема, в которую  входят компоненты 1, 2 и 3, отвечает за решение  проблемы. Эта подсистема строит гипотезы относительно причин заболевания и формирует рекомендации, основываясь на этих гипотезах.

База знаний системы MYCIN организована в виде множества правил в форме:

Если условие(1) и... и условие^) удовлетворяются, То прийти к заключению(1) и... и к заключению (N).

Эти правила преобразованы  в операторы языка LISP. Вот как выглядит перевод на обычный язык типичного правила MYCIN:

ЕСЛИ 1) организм обладает грамотрицательной окраской, и 2) организм имеет форму палочки, и 3) организм аэробный, ТО есть основания предполагать (0,8), что этот микроорганизм относится к классу enterobacteriaceae.

Такого рода правила названы  оргправилами (ORGRULES) и в них сконцентрированы знания о таких организмах, как strepococcus , pseudonomas и enterobacteriaceae.

Структура управления правилами  в MYCIN использует И/ИЛИ-граф и представляет собой следующее:

1) Формулировка каждой  подцели всегда представляет  собой обобщенную форму исходной  цели. Так, если подцель состоит  в том, чтобы доказать справедливость  суждения "организм— это E.Coli", то формулировка такой подцели— определение типа организма. Этим инициируется исчерпывающий поиск, в который вовлекаются все возможные сведения об организмах.

В множестве правил, подходящих для сформулированной цели, выискивается такое, которое определенно удовлетворяется. Если для заключения об определенном параметре, например о природе организма, подходит несколько правил, то их результаты объединяются. Если коэффициент уверенности  какой-либо из выдвинутых гипотез оказывается  в диапазоне от -0.2 до +0.2, то гипотеза отбрасывается.

Если текущая подцель  представляет собой лист на графе (терминальный узел), то данные запрашиваются у  пользователя. В противном случае устанавливается очередная подцель  и выполняется переход на шаг (1).

По завершении процесса диагностики  выбирается рекомендуемый курс лечения. Выбор включает две стадии: отбор  рекомендуемых медикаментов и предпочтительного  варианта или комбинации медикаментов из полученного списка.

В целом метод решения, используемый в системе MYCIN, представляет собой рассуждения в обратном направлении от диагностических гипотез к имеющимся данным, которое направляется правилами вывода. Однако для управления поиском решения (или для доказательства некоторой гипотезы), MYCIN использовал различные метаправила-стратегии. Они были необходимы, чтобы сделать рассуждения более эффективными и предотвратить задание пользователю ненужных вопросов. Одна из стратегий состоит в том, что предварительно задаются пользователю более или менее общие вопросы, которые позволяют системе исключить маловероятные диагнозы. Затем система может сосредоточиться на частностях и использовать в полной мере режим вывода от цели к фактам для доказательства выдвигаемых гипотез. Другие стратегии касаются способов вызова правил. Первая из них проста: используется первое возможное правило, MYCIN первым делом проверяет все заключения правила, чтобы увидеть, является ли какой-либо из них заведомо ложным. Если это не так , то правило используется . Другая стратегия имеет больше отношение к коэффициентам уверенности. MYCIN сначала рассматривает правила, которые имеют более высокий коэффициент уверенности при выводе заключения и правило перестает использоваться, как только суммарный коэффициент уверенности станет меньше 0.2.

Система MUD предназначена для консультирования инженеров при проведении буровых работ на газонаполненных и текучих пластах. Основываясь на описании свойств пластов, система анализирует проблемы, возникающие при таком бурении, и предлагает способы их преодоления. Изменение свойств пластов, такое как внезапное увеличение вязкости в процессе бурения, может возникать вследствие самых различных факторов, например повышения температуры или давления или неправильной рецептуры смеси химических добавок.

Система MUD реализована с помощью языка описания порождающих правил OPS5 (предшественника CLIPS). Правила связывают изменения свойств пластов (в терминологии MUD - абстрактные категории данных) с возможными причинами этих изменений (в терминологии MUD - абстрактные категории решений). Ниже приведено одно из таких правил в переводе на «человеческий» язык.

ЕСЛИ:

обнаружено уменьшение плотности  пласта

И

обнаружено повышение  вязкости

ТО: есть умеренные (7) основания предполагать, что имеется приток

воды.

В формулировке таких правил числа в скобках — коэффициенты уверенности, которые при «сцеплении»  правил комбинируются таким же способом, как и в известной системе  MYCIN. Таким образом, для того, чтобы определить достоверность предположения о проникновении воды, нужно принять во внимание все правила, которые «порождают» свидетельства за и против этой гипотезы.

Опыт, приобретенный исследователями  в процессе работы над этой системой [7,с.109], показал, что эксперты часто затрудняются сформулировать правила, приемлемые для подхода на основе эвристической классификации. Формат правила далеко не всегда соответствует способу мышления, привычному для экспертов, и способу обмена знаниями, принятыми в их среде. Сложность вызывает и назначение коэффициентов уверенности в констатирующей части новых правил. При этом обычно приходится пересматривать сформулированные ранее правила и сравнивать имеющиеся в них значения коэффициентов. Очень часто эксперты используют коэффициенты уверенности для частичного упорядочения в отношении определенного «заключения». Также отмечалось, что экспертам иногда для правильной формулировки правил нужно располагать довольно подробной информацией о режиме применения правил и распространении значений коэффициентов уверенности в процессе их «сцепления».

При проектировании программ эвристической классификации, таких  как MUD, процесс уточнения правил является шестиэтапным.

Эксперт сообщает инженеру по знаниям, какие правила нужно  добавить или изменить.

Инженер по знаниям вносит изменения в базу знаний системы.

Инженер по знаниям запускает  на выполнение программу, вводит данные, которые ранее уже обрабатывались прежним набором правил, и проверяет, таким образом полноту нового набора.

Если при обработке  новым набором правил ранее проверенных  исходных данных возникают какие-либо проблемы, инженер по знаниям обсуждает  способы их преодоления с экспертом  и далее повторяется этап 1.

Эксперт запускает систему  и вводит новый вариант данных.

Если при обработке  нового варианта не возникает никаких  проблем, можно считать очередной  сеанс внесения изменений в правила  завершенным. В противном случае повторяется вся процедура, начиная  с 1-го этапа.

По сути, зачастую производилась  «подгонка» коэффициентов, поскольку  сам эксперт был не в состоянии  адекватно оценить их значения.

 

2.2 Система XPLAN

 

Другая система - XPLAN, создавалась в рамках проекта Explainable Expert Systems (Объясняющие Экспертные Системы) [8,с.214]. Идея этого проекта вполне созвучна существующей в настоящее время тенденции группировать и представлять в явном виде знания различного вида. Кроме того, в рамках этого проекта предпринята попытка использовать формальные методы, которые позволили бы зафиксировать в базе знаний системы основные решения, принимаемые в процессе ее разработки. Отсутствие таких формальных методов приводит к тому, что информация об основных решениях, положенных в основу проектирования, теряется на стадии реализации системы.

На рис. 1.2 представлена структурная схема системы XPLAN. В базу знаний этой системы входят не только модель и правила предметной области, но и много дополнительной информации. Например, описание терминологии предметной области, информация, связанная с правилами предметной области, о доводах в пользу и против выбора определенной стратегии достижения цели, информация о том, каким целям отдается предпочтение в процессе решения проблемы, и т.д. Знания, выделенные в группу «Интеграция», используются для разрешения конфликтов между правилами предметной области в процессе работы «автоматического программиста», а знания, выделенные в группу «Оптимизация», имеют отношение к производительности экспертной системы, генерируемой этим автоматическим программистом.

 

Рисунок 1.2 — Структура системы XPLAN

 

 

 

Эти служебные группы знаний представляют те виды метазнаний, которые  не связаны непосредственно с  выбором правил объектного уровня в  процессе логического вывода на этапе  функционирования экспертной системы, а имеют отношение скорее к  этапу ее проектирования.