Коэффициент доверия в экспертных системах

От /
Коэффициент доверия в экспертных системах

Основой любой экспертной системы является совокупность знаний, структурированная в целях упрощения процесса принятия решения. Для специалистов в области искусственного интеллекта термин знания означает информацию, которая необходима программе, чтобы она вела себя «интеллектуально». Эта информация принимает форму фактов и правил. Факты и правила в экспертной системе не всегда либо истинны, либо ложные. Иногда существует некоторая степень неуверенности в достоверности факта или точности правила. Если это сомнение выражено явно, то оно называется «коэффициентом доверия».

Коэффициент доверия – это число, которое означает вероятность или степень уверенности, с которой можно считать данный факт или правило достоверным или справедливым. Данный коэффициент является оценкой степени доверия к решению, выдаваемому экспертной системой. Такая оценка, например, может проводиться по схеме Шортлиффа:

Формула 1

KU delim{[}{H:E}{]}~=~MD delim{[}{H:E}{]}~-~MND delim{[}{H:E}{]}
  • KU delim{[}{H:E}{]} – коэффициент уверенности в гипотезе H с учетом свидетельств E
  • MD delim{[}{H:E}{]} – мера доверия H при заданном E
  • MND delim{[}{H:E}{]} – мера недоверия гипотезе H с учетом свидетельств E

KU,MD и MND не являются вероятностными мерами. KU изменяется в пределах от -1 до +1: абсолютная ложь и абсолютная истина; причем 0 означает полное незнание. Значения MD и MND изменяются в пределах от 0 до 1. Использование KU позволяет упорядочить выдвигаемые гипотезы по степени их обоснованности.

Для расчета меры доверия к знаниям, вывод которых опирается на факты с разной мерой доверия MD применяют правила нечеткой логики:

P_{1}~Lambda~P_{2}~=~MIN(P_{1},P_{2})
P_{1}~V~P_{2}~=~MAX(P_{1},P_{2})
overline{P_{1}}~=~1~-~P_{1}

При этом [формула 1] примет вид:

Формула 2

MD delim{[}{H:E_{1},E_{2}}{]}~=~MD delim{[}{H:E_{1}}{]}~+~MD delim{[}{H:E_{2}}{]}(1~-~MD delim{[}{H:E_{1}}{]})

Запятая между E_{1}, и E_{2} означает, что E_{2} следует за E_{1}. Аналогичным образом уточняются значения MND. Пример:

ЕСЛИ
X  проживает в г. Мосвке, МD = 0.8 и
X является членом партии Z, MD = 0.75 ТО
X будет голосовать за кандидата B
ЕСЛИ
X имеет возраст T, MD = 0.4 или
X является частным предпринимателем, MD = 0.6 ТО
X будет голосовать за кандидата B

Гипотеза, что X будет голосовать за кандидата B поддерживается на уровне 0.75 первым правилом и на уровне 0.6 вторым правилом. Взвешивание обоих правил по формуле 2 дает:

0.75~+~0.6~*(1-~0.75)~=~0.9

Многие правила экспертной системы являются эвристиками, то есть эмпирическими правилами или упрощениями, которые эффективно ограничивают поиск решения. Экспертные системы используют эвристики, так как задачи, которые она решает, трудны, не до конца понятны, не поддаются строгому математическому анализу или алгоритмическому решению. Алгоритмический метод гарантирует корректное или оптимальное решение задачи, тогда как эвристический метод даёт приемлемое решение в большинстве случаев.

Знания в экспертной системе организованы так, чтобы знания о предметной области можно было отделить от других типов знаний системы, таких как общие знания о том, как решать задачи или знание о том, как взаимодействовать с пользователем. Выделенные знания о предметной области называются базой знаний, тогда как общие знания о нахождении решений задач называются механизмом вывода. Программные средства, которые работают со знаниями, организованными таким образом, называются системами, основанными на знаниях.

Прокрутить вверх