Software & Systems

Интеллектуальные системы (ИС) уже более десятка лет назад перестали быть только предметом интереса ученых и философов, перейдя в категорию прикладных программных или программно-технических продуктов. Тем не менее и по сей день даже в среде специалистов по программному обеспечению ЭВМ (не говоря уже о неспециалистах!) в отношении ИС бытует немало различных предрассудков. Практика показывает, что большинство компьютерных специалистов широкого профиля лишь смутно представляют себе возможности современных ИС, а также специфику их разработки, вследствие чего они нередко ошибаются при оценке реальности и оправданности разработки ИС для конкретного приложения. Поэтому перед тем как перейти к рассмотрению возможных путей внедрения ИС в деятельность органов государственного управления представляется необходимым, не погружаясь в технические детали, сделать обзор практических аспектов ИС. Под ИС понимаются программные системы для решения задач, которые требуют определенных усилий при выполнении их человеком. Сюда, однако, не входят задачи, для которых разрешающая процедура (decision procedure) известна [1]. Такие задачи, называемые неформализованными, или трудноформализованными, долгое время считались мало подходящими для компьютерной реализации. Технология искусственного интеллекта (ИИ) не отвергает и не заменяет традиционного подхода к разработке программ, ориентированных для решения обычных (рутинных) задач, от которых трудноформализуемые задачи отличаются присутствием одного или нескольких из последующих условий [2].

•  Решение этих задач не может быть сведено к численным расчетам.

•  Цели, для которых решаются трудноформализуемые задачи, не могут быть выражены в терминах точно определенной целевой функции.

•  Алгоритмическое решение таких задач неизвестно или его нельзя использовать из-за ограниченности вычислительных ресурсов.

Трудноформализуемые задачи обычно обладают такими особенностями:

- неполнота, неточность, противоречивость и ошибочность исходных данных и знаний как о предметной области, так и о решаемой задаче;

- большая размерность пространства возможных решений (что делает нереализуемым поиск решения посредством полного перебора всех имеющихся вариантов);

-динамическое изменение исходных данных в процессе решения задачи.

Рассмотрение содержательной стороны трудноформализуемых задач, решаемых с помощью ИС и имеющих практическое значение, позволяет выделить следующие типы этих задач.

1.   Интерпретация - построение описания объектов по наблюдаемым данным об этих объектах.

2.   Прогноз - вывод вероятных следствий из заданных ситуаций.

3.   Диагностика - заключение о нарушении в системе на основе анализа ее параметров.

4.   Проектирование - построение конфигураций объектов, удовлетворяющих заданным требованиям.

5.   Планирование - составление плана действий для достижения некоторой цели.

6.   Мониторинг - сравнение наблюдений с критическими точками.

7.   Отладка - выработка рекомендаций по устранению неисправностей.

8.   Управление процессами.

9.   Выявление общих закономерностей на основе анализа частных фактов.

10. Понимание естественного языка (ЕЯ).Заметим, что перечисленные типы задач не

являются взаимно противоречивыми, например: прогноз необходим при планировании, а само планирование вместе с мониторингом и отладкой составляют сущность управления. Указанные типы задач решаются во многих областях человеческой деятельности. Ощутимый успех от применения ИС уже достигнут (в основном, правда, пока за рубежом) в таких областях, как медицина, военное дело, геология, химия, физика, экономика, юриспруденция, космические исследования, промышленное производство, сельское хозяйство, энергетика, финансы и авиация.

При разработке ИС обычно преследуется одна или несколько целей.

Устранение дефицита экспертов, умеющих решать трудноформализуемые задачи из некоторого класса. В этом случае разработка ИС, способной получать решения задач этого же класса, сравнимые по качеству с решениями, которые получают наиболее квалифицированные эксперты, позволяет решить проблему нехватки таких экспертов, так как ИС может быть установлена сразу во многих местах, где требуется присутствие экспертов. Важно отметить, что сегодня эта цель преследуется при разработке ИС наиболее часто.

Повышение качества получаемых экспертами решений трудноформализуемых задач. Обычно достижение этой цели возможно, когда трудноформализуемая задача требует для своего решения как интеллектуальной, так и рутинной работы, которые находятся друг с другом в довольно сложном сочетании, что затрудняет автоматизацию рутинной работы обычными средствами. В этом случае разработка ИС позволяет существенно повысить скорость принятия решения, а также исключить совершаемые экспертами ошибки, которые обусловлены большим объемом обрабатываемой информации.

Стандартизация подхода к решению трудноформализуемых задач из некоторого класса за счет исключения человеческого фактора. Данная цель достигается при разработке ИС в любом случае, но иногда она является главной.

Обеспечение дружественного интерфейса с некоторой программной или технической системой. Под дружественным интерфейсом понимается такое обеспечение взаимодействия системы с пользователем, при котором минимизируются его действия, не требуется обширных специальных знаний о системе, а допускаемые пользователем ошибки не приводят к катастрофическим последствиям.

Решение трудноформализуемых задач в реальном времени в среде, враждебной человеку, например в открытом космосе или в зоне радиоактивного заражения. В этом случае ИС обычно является частью системы управления роботом, действующим автономно.

Известны различные подходы к классификации ИС однако практически все они приводят к выделению (среди прочих классов) важного класса ИС, называемых системами, основанными на знаниях (СОЗ), среди которых более 90% составляют экспертные системы (ЭС), а оставшуюся часть - системы понимания ЕЯ. Помимо СОЗ, на наш взгляд, целесообразно выделить также класс систем машинного обучения (СМО) [4] и сети искусственных нейронов (СИН) [8].

Главной отличительной чертой СОЗ является наличие в их составе базы знаний (БЗ), то есть структуры, содержащей информацию, необходимую для решения трудноформализуемых задач и представленную с помощью специальных языковых средств, называемых языками представления знаний (ЯПЗ), так, чтобы эта информация естественным образом ассоциировалась со знаниями людей (экспертов), являющихся специалистами в решении соответствующих задач. Состав информации, находящейся в БЗ СОЗ, всегда связан с некоторой (обычно весьма узкой) конкретной проблемной областью, и по сути дела отражает состояние знаний об этой области. В связи с тем, что при разработке СОЗ реализуется концепция явного представления знаний, состоящая в том, что знания отделяются от механизма их интерпретации (решателя), это позволяет привлекать экспертов непосредственно к разработке СОЗ, что и является фактором, определяющим преимущества технологии СОЗ перед традиционным программированием применительно к трудноформализуемым задачам. Как уже было отмечено, подавляющее большинство СОЗ составляют ЭС. Именно с этим классом систем связаны основные практические успехи применения ИС. Особенностью ЭС является то обстоятельство, что в БЗ ЭС содержатся так называемые экспертные знания, то есть знания, которыми обладает лишь узкий круг специалистов, в то время как в БЗ ЕЯ-систем могут храниться знания, являющиеся достоянием многих людей. Поэтому ЭС решают сложные практически значимые, а не "игрушечные" задачи, а по качеству их решения могут сравниться с решениями экспертов. Реализация концепции явного представления знаний позволяет ЭС давать их пользователям объяснения получаемых решений на качественном уровне (черта, присущая только ЭС). Это происходит благодаря возможности анализировать знания, непосредственно использованные для нахождения решения. Некоторые ЭС способны уже в процессе их практического применения пополнять свои знания, если установлена обратная связь с объектом, на который воздействуют решения, принимаемые ЭС. Круг задач, для решения которых используются ЭС, весьма велик - ЭС решают задачи с первого по восьмой тип. В отличие от ЭС ЕЯ-системы решают задачи десятого типа и используются обычно для обеспечения дружественного интерфейса с какой-либо внешней системой (для этой цели также могут использоваться ЭС). По сравнению с ЭС результаты применения ЕЯ-систем пока существенно менее впечатляющие. Переходя к рассмотрению СМО, укажем, что задачи, решаемые с их помощью, в основном связаны с обнаружением закономерностей в эмпирических данных о каком-либо объекте исследования. Характерным для СМО является то обстоятельство, что обнаруживаемые закономерности представляются в явном виде с помощью ЯПЗ. Нередко результатом работы СМО является фрагмент БЗ или даже вся БЗ некоторой ЭС. В этом случае можно говорить, что данная ЭС обучается при помощи СМО. В тех случаях, когда конечными пользователями результатов работы СМО являются аналитики, изучающие найденные с ее помощью закономерности, в роли обучаемых выступают они. В отличие от СОЗ СМО обычно являются предметно-независимыми системами, то есть могут использоваться (для обнаружения неизвестных ранее закономерностей) во многих различных предметных областях, в то время как СОЗ привязаны к конкретным предметным областям. СМО могут являться независимыми программными продуктами, предназначенными для помощи экспертам-аналитикам в исследовании малоизученных предметных областей, а также могут использоваться и при разработке ЭС как составная часть. Обработка информации в СОЗ и СМО имеет символьную природу и может быть сведена к преобразованию некоторой символьной структуры.

Однако по-другому обстоит дело в СИН, которая является программной или программно-технической системой, реализующей некоторую формальную модель естественной нейронной сети. В результате анализа работы нейронных механизмов мозга может быть построено множество моделей, отличающихся друг от друга исходными концепциями, уровнем обобщений, принимаемых упрощений и т.д. Схема применения СИН во многом аналогична схеме применения ЭС, имеющей в качестве компонента приобретения знаний СМО. В обоих случаях в качестве обучающей выборки используется некоторая база эмпирических данных, после обработки которых система в результате обучения становится способной успешно решать некоторый класс трудноформализуемых задач. Однако, если в ЭС результат обучения будет представлен в БЗ в явном виде, в СИН это результат проявится неявно и выразится в изменении состояния отдельных нейронов и связей между ними. СИН не могут использоваться для исследования малоизученных предметных областей экспертами-аналитиками подобно тому, как они используют для этого СМО, так как интерпретация изменений, происходящих в нейронной сети, в "человеческих" терминах пока почти всегда крайне затруднительна. Кроме того, по этой же причине в отличие от ЭС СИН не могут давать объяснения полученным с их помощью решениям трудноформализуемых задач. Однако высокая скорость обучения, устойчивость к ошибкам во входной обучающей информации и быстродействие при решении трудноформализуемых задач делают СИН реальной альтернативой для ЭС. Следует подчеркнуть, что несмотря на диаметральную противоположность принципиальных установок, лежащих в основе СИН и ЭС, правильнее рассматривать эти направления не как взаимоисключающие, но как взаимодополняющие, о чем свидетельствует все возрастающий интерес к совместному использованию СИ и ЭС.

Разработка ИС имеет свою специфику, причем наиболее существенные отличия от разработки обычного программного продукта имеет разработка ЭС. Дело в том, что неформализованность задач, решаемых ЭС, отсутствие завершенной теории ЭС и методологии их разработки приводит к необходимости модифицировать принципы и способы построения ЭС в ходе процесса разработки по мере того, как увеличивается знание разработчиков о проблемной области [3]. Процессу разработки ЭС свойственны особенности, сущность которых раскрывается ниже. Напомним, что в разработке ЭС участвуют представители следующих специальностей:

-  эксперт в той проблемной области, задачи которой будет решать ЭС;

-   инженер по знаниям - специалист по разработке ЭС (используемые им методы называют методами инженерии знаний);

-   программист (при необходимости разработки интерфейса разрабатываемой ЭС с другими программными продуктами, например СУБД).

Перед тем как приступить к разработке ЭС, инженер по знаниям должен решить вопрос, следует ли разрабатывать ЭС для данного класса задач. В обобщенном виде ответ на этот вопрос выглядит так: ЭС следует разрабатывать в том случае, если разработка возможна, оправдана и методы инженерии знаний соответствуют этому классу задач. Уточним понятия "возможно", "оправдано" и "соответствует". Чтобы разработка ЭС была возможной, необходимо, чтобы одновременно выполнялись по крайней мере следующие требования.

•  Существуют эксперты в данной области, которые решают свои задачи значительно лучше, чем ординарные специалисты.

•  Эксперты сходятся в оценке решений известных (уже решенных) задач из данного класса, иначе нельзя будет оценить качество разработанной ЭС.

•  Эксперты способны вербализовать, то есть выразить на естественном языке, и объяснить используемые ими методы, в противном случае трудно рассчитывать на то, что необходимые знания будут извлечены из экспертов для представления в явном виде в БЗ.

•  Решение задач из данного класса требует только рассуждений, а не действий (если требуются действия, то необходимо объединять ЭС с роботом).

•  Решения задач из данного класса не должны в значительной степени основываться на здравом смысле, то есть на широком спектре общих знаний о мире, которые имеются у любого нормального человека, так как подобные знания пока не удается в достаточном объеме вложить в системы ИИ.

Использование ЭС для решения данного класса задач оправдано, если при этом преследуется одна или несколько целей, перечисленных ранее.

Методы инженерии знаний соответствуют данному классу задач, если эти задачи обладают совокупностью следующих характеристик.

♦  Задачи могут быть естественным образом решены путем манипуляции с символами (посредством символических рассуждений), а не с числами (как принято в численных математических методах).

♦  Используемые знания должны иметь преимущественно эвристическую природу, а не быть строго математически обоснованы, иначе более эффективными будут методы традиционного программирования.

♦  Задачи должны быть достаточно сложны и практически значимы, чтобы оправдать затраты на разработку ЭС.

Проектирование ЭС включает в себя следующие этапы.

Идентификация задачи. На этом этапе определяется класс задач, для решения которых предназначена ЭС, решаются вопросы о возможности и оправданности разработки данной ЭС, а также о соответствии задач методам инженерии знаний, выбирается программно-техническая среда, в которой будет работать данная ЭС и инструментальное средство (ИНС) для ее разработки, определяются первичные источники необходимых знаний (эксперты, книги, базы данных), состав участников разработки и потребные материальные ресурсы.

Концептуализация ЭС. На этом этапе выявляются базовые понятия, относящиеся к проблемной области ЭС, а также их взаимосвязи, в первую очередь по степени общности.

Формализация ЭС. На этом этапе необходимые для ЭС знания выявляются и кодируются на выбранном ЯПЗ (этот выбор обычно полностью определяется выбором ИНС).

Реализация ЭС. На этом этапе осуществляется ввод знаний в БЗ.

Оценка. Работа ЭС оценивается с точки зрения надежности и других аспектов. На всяком этапе возможен возврат на любой предыдущий этап. Необходимо отметить, что роль эксперта или группы экспертов, участвующих в разработке ЭС, исключительно важна на всех перечисленных стадиях. При этом крайне желательно, чтобы на стадии оценки ЭС участие принимал не тот же самый эксперт, который разрабатывал данную ЭС на предыдущих стадиях.

При разработке ЭС используются специальные инструментальные средства, которые можно классифицировать следующим образом [3].

Инструментарий, содержащий отдельные готовые компоненты ЭС (expert system tools). Эти средства предназначены для разработчика, от которого требуется знание программирования и умение интегрировать компоненты в программный комплекс.

Оболочки ЭС общего назначения, содержащие все необходимые компоненты, кроме собственно знаний. В последнее время термин оболочка (shell) стал все чаще заменяться термином среда разработки (development environment) или термином полная среда (complete environment), если хотят подчеркнуть, что средство используется не только при разработке, но и при использовании ЭС.

Специализированные оболочки (среды):

- проблемно-специализированные средства (problem-specific), ориентированные на некоторый тип трудноформализуемых задач и имеющие в своем составе соответствующие этому классу функциональные модули (имеются в виду типы задач, перечисленные раньше);

- предметно-специализированные средства (domain-specific), включающие знания о конкретных типах предметных областей. В приведенной классификации ИНС для разработки ЭС перечислены в порядке убывания трудозатрат, связанных с их применением, однако ценой за убывание трудозатрат является снижение универсальности, то есть гибкости применения инструментария. Существуют также классификации ИНС и по другим основаниям, среди которых наиболее полезными, как нам представляется, две - по классу ЭВМ, для которых создавались ИНС (малые, средние, большие, символьные ЭВМ), и по характеру решаемых задач (статические и динамические задачи). Зависимость свойств ИНС от класса ЭВМ проявляется в том, что с увеличением производительности ЭВМ увеличивается сложность и, разумеется, цена ИНС, однако при этом увеличивается и сложность задач, для решения которых данное ИНС может применятся. Зависимость свойств ИНС от характера решаемых задач проявляется в том, что ИНС, предназначенные для решения динамических задач, имеют в своем составе дополнительные компоненты - компоненту моделирования и компоненту сопряжения с внешней средой. Эти ИНС почти все разработаны только для средних и больших ЭВМ.

Переходя к рассмотрению особенностей разработки СМО и СИН, укажем, что основные трудности здесь связаны с созданием модели обучения, лежащей в основе СМО или СИН. Эти трудности ложатся на специалистов высшей квалификации в области теории и методологии искусственного интеллекта. После того как модель обучения создана, дальнейшая разработка СМО не содержит каких-либо особенностей по сравнению с разработкой обычных программных продуктов, за исключением того обстоятельства, что символьная природа обработки информации в СМО создает предпосылки для более эффективного (с точки зрения ожидаемых трудозатрат по сравнению с обычными языками программирования) использования символьных языков программирования, например Лисп, Пролог и их разновидностей. В отличие от СМО синтез СИН от начала и до конца находится в компетенции узких специалистов по нейрокомпьютерной технологии, а не обычных программистов.

Наиболее впечатляющие практические успехи сегодня связаны с применением ЭС. Их использование в ряде случаев давало существенный эффект. В подтверждение этого приведем примеры, взятые из [2].

Банк American Express сократил свои ежегодные потери на $27 000 000 в год за счет ЭС, которая определяет целесообразность выдачи или отказа в кредите той или иной фирме.

Компания Sira сократила затраты на строительство трубопровода в Австралии на $40 000 000 за счет ЭС, управляющей режимом работы трубопровода.

Об успехах применения ЭС говорит также то, что известны теперь уже достаточно многочисленные примеры их использования в областях, имеющих стратегическое значение и определяющих промышленный и оборонный потенциалы страны. Так, международная организация INTELSAT, являющаяся крупнейшей в мире в области телекоммуникации, использует две ЭС для управления и диагностики состояния 19 спутников связи [9].

NASA использует ЭС для управления режимом работы 16 маневровых двигателей космического корабля многоразового использования [3]. Один из крупнейших производителей цемента в мире, французская фирма Lafarge Соррее, использует на 25 заводах ЭС по управлению производственным процессом [10].

Компания Union Gas Ltd. (Ontario), одна из крупнейших в Северной Америке по транспортировке, хранению и распределению природного газа, использует ЭС для управления четырьмя линиями системы передачи газа общей длиной около 800 миль [5].

ЭС входит в состав североамериканской системы раннего предупреждения о воздушном нападении NORAD [3].

Приведенные примеры далеко не исчерпывают список подобных приложений ЭС, но показывают, что современные коммерческие ЭС -это высоконадежные системы принятия решений, используемые подчас в ситуациях, где ошибки могут иметь катастрофические последствия и потому недопустимы.

Перспективы использования интеллектуальных систем в органах государственного управления. Из обзора различных аспектов ИС можно сделать вывод о том, что данное направление предоставляет широкое поле для промышленной и коммерческой деятельности, в том числе в областях, имеющих стратегическое значение. Перечень направлений, в которых известны приложения ИС, представляет собой впечатляющую картину. Однако до сих пор накоплена лишь весьма скудная информация об использовании ИС в органах государственного управления. Это обстоятельство наводит на мысль, что решаемые там задачи в силу своей специфики плохо соответствуют методам ИИ. Рассмотрим это предположение более подробно, чтобы оценить перспективы использования ИС различных классов в органах государственного управления. Задачи, решаемые в органах государственного управления, характеризуются в первую очередь их важностью для страны и в силу этого высокой ответственностью лиц, принимающих решения (ЛПР), за возможные последствия. Не вызывает сомнений, что решение этих задач, требует от ЛПР значительных интеллектуальных усилий и глубоких профессиональных знаний. Следовательно, вполне естественно рассматривать деятельность ЛПР, работающих в органах государственного управления, как возможную область приложения для ИС. Сначала рассмотрим этот вопрос для ЭС. Как уже было сказано, для ЭС ответы на вопросы такого рода последовательно сводятся к ответам на вопросы "возможна ли разработка ЭС для данного класса задач?", "оправдана ли разработка ЭС для данного класса задач?", "соответствуют ли задачи из данного класса методам инженерии знаний?". Ввиду широты проблем, решаемых в органах государственного управления, мы не будем пытаться связывать возможные ответы на перечисленные три вопроса с перечнем классов задач, претендующих на полноту, а ограничимся примерами, для которых эти ответы верны.

Вопрос "возможна ли разработка ЭС для данного класса задач?" решается положительно при одновременном выполнении пяти вышеперечисленных требований. Одним из обстоятельств, влияющих на выполнимость этих требований, является уникальность задач, для решения которых создается ЭС. Если прецедентов успешного решения задач из данного класса было мало или не было вовсе, то практически никогда пять указанных требований одновременно не выполняются, особенно в этом случае проблематично выполнение двух других требований - требования существования экспертов, решающих данные задачи намного лучше других, и требования согласия экспертов в оценке уже имеющихся решений. Таким образом, разработка ЭС для решения задач типа выработки программы перестройки экономики страны, вроде пресловутой программы "500 дней", вряд ли возможна. В то же время, для задач, необходимость решения которых возникает регулярно, можно ожидать, что разработка ЭС возможна. Примеры задач такого рода - составление бюджета (тип задачи - проектирование), решение вопроса о конституционности указа президента (тип задачи - интерпретация), оценка перспектив на урожай на будущий год (тип задачи - прогноз). Однако, серьезные препятствия на пути разработки ЭС могут возникнуть, если эксперт является высокопоставленным чиновником, рабочий день которого расписан буквально по минутам. В этом случае его участие в разработке ЭС с необходимой интенсивностью (минимум 3 раза в неделю по 3 часа) может оказаться проблематичным, что поставит под сомнение возможность разработки ЭС. Именно это обстоятельство, на наш взгляд, является основным сдерживающим фактором для использования ЭС в России и за рубежом.

Вопрос "оправдана ли разработка ЭС для данного класса задач?" решается посредством анализа целей данной разработки. Нам представляется, что цель, связанная с устранением дефицита экспертов, которая, как уже отмечалось, преследуется при разработке ЭС наиболее часто, не может быть поставлена, если система разрабатывается для использования в органах государственного управления федерального уровня, так как если уж там отсутствуют нужные эксперты, то таких экспертов нет нигде, и, следовательно, разработка ЭС для данного приложения невозможна. По-видимому, дефицит экспертов по задачам некоторого класса может возникнуть в органах государственного управления регионального или, что более вероятно, местного уровня. Примерами задач, для которых данное утверждение может оказаться верным, являются, на наш взгляд, задача прогноза развития конфликтной ситуации, например забастовки, или решение вопроса о целесообразности вложения бюджетных средств в некоторую конкретную программу (тип задачи - прогноз).

Вполне естественно, при разработке ЭС, используемых в органах государственного управления, ставить целью получение более качественных решений по сравнению с решениями, получаемыми экспертами. Например, при возникновении некоторых чрезвычайных ситуаций исключительное значение приобретает оперативность принимаемых решений по их идентификации и выработке планов их локализации. Можно ожидать, что ЭС в этих случаях будет справляться с задачей лучше, чем люди, из-за необходимости переработки больших объемов информации.

Стандартизация подхода к решению трудноформализуемых задач из некоторого класса за счет исключения человеческого фактора может быть основной целью разработки ЭС, используемой в органах государственного управления для особо важных задач. При этом решение, полученное с помощью ЭС, может быть сопоставлено с решением, найденным экспертом независимо от ЭС, для повышения надежности окончательного решения данной задачи, которое может быть выработано на основе такого сопоставления. Особую роль при этом будет играть способность ЭС объяснять полученные с ее помощью решения.

Обеспечение дружественного интерфейса с некоторой программной или технической системой также может явиться целью разработки ЭС, например, в том случае, если ЛПР, работающие в органах государственного управления, либо будут оснащаться в будущем сложной в обращении аппаратурой, либо для облегчения доступа к базе данных со сложной структурой. По этой же причине может оказаться оправданной разработка ЕЯ-системы. Что касается соответствия методов инженерии знаний специфике задач, решаемых в органах государственного управления, то для всех задач, использованных в данном разделе для примеров, этот вопрос решается положительно. Разумеется, многие другие задачи, решаемые в органах государственного управления, методам инженерии знаний не соответствуют, для их решения, например, может лучше подходить технология баз данных. Завершая рассмотрение перспектив использования ЭС в органах государственного управления отметим, что с помощью ЭС там могут решаться все типы задач, относящиеся к ЭС. Для каждого типа задач приведем примеры, связанные с деятельностью органов государственного управления. Интерпретация - решение о соответствии действий какого-либо государства принятым им на себя договорным обязательствам. Прогноз - оценка возможного исхода вооруженного конфликта. Диагностика -выявление причин неэффективности государственной помощи пострадавшим от стихийного бедствия. Проектирование - составление бюджета. Управление, которое включает в себя планирование, мониторинг, отладку - разработка и проведение мероприятий по локализации зоны чрезвычайной ситуации техногенного или природного характера.

Оценивая возможность использования существующих ИНС для создания ЭС, решающих в интересах органов государственного управления задачи перечисленных выше типов, следует отметить, что нет ограничений для такого использования инструментария, содержащего отдельные компоненты ЭС, а также оболочек ЭС общего назначения. Наиболее популярными ИНС указанных двух типов являются: для малых ЭВМ - VP Expert фирмы Paperback Software, 1st-Class Fusion фирмы 1st-Class Expert Systems Inc. и отечественные - SY-MER+MIR (ИПС РАН), ИНТЕР-ЭКСПЕРТ (Центр Программных Систем), для средних ЭВМ - ProKappa (Intellicorp), ART Enterprise (Inference), для больших ЭВМ - ADS (Aion DS), для символьных ЭВМ - KEE (Intellicorp).

Предметно-специализированные оболочки ЭС, связанные с областями деятельности органов государственного управления, нам неизвестны, однако нет препятствий для их появления в будущем. Среди проблемно-специализированных оболочек следует отметить системы ReThink фирмы Gensym и SPARKS фирмы Coopers@Librand Consulting (США). Обе системы предназначены для моделирования и последующего кардинального совершенствования структур организационного управления за счет выявления и устранения узких мест, то есть их специализация связана с задачами отладки. Обе системы приносят наибольший эффект при применении в крупных организациях, подразделения которых разбросаны по большой территории и нуждаются в постоянном оперативном согласовании своих действий. Данные системы разработаны в рамках нового и бурно развивающегося направления в информационной технологии - реорганизации бизнес-процесса (business process re-engineering), но в отличие от других разработок в данном направлении они ориентированы не на программистов-профессионалов, а непосредственно на ЛПР, что достигается за счет использования методов инженерии знаний. Характерно, что одним из первых пользователей системы ReThink было патентное ведомство США.

Таким образом, для использования ЭС в органах государственного управления всех уровней есть все необходимые предпосылки, а единственным серьезным препятствием являются трудности организационного плана, связанные с привлечением к разработке ЭС экспертов, занимающих высокие государственные посты. Вопрос о том, насколько это препятствие преодолимо, по-видимому, должен решаться в каждом конкретном случае в зависимости от обстоятельств. Других принципиальных препятствий, обусловленных спецификой задач, решаемых в органах государственного управления, нами не обнаружено. Еще меньше оснований предполагать, что такого рода препятствия существуют для использования СМО, поскольку при этом не требуется такого же интенсивного участия экспертов, как в случае с разработкой ЭС. К тому же, конечным результатом применения СМО являются найденные общие закономерности, а не решения конкретных задач, от которых может зависеть судьба страны. Пользователь СМО в любом случае должен оставлять за собой последнее слово о том, как с этими закономерностями поступить, при необходимости прибегнув к статистическим методам проверки гипотез для обеспечения доверия к результату машинного обучения (сама СМО - это, скорее, система для выдвижения, а не для проверки гипотез). Заметим, что польза от применения СМО в основном заключается в том, что закономерности, обнаруживаемые с ее помощью, человеком самостоятельно могут быть не замечены, поскольку поиск этих закономерностей сопряжен с переработкой больших объемов информации. Наиболее активно СМО могут использоваться в аналитических подразделениях органов государственного управления. Кроме того, СМО могут использоваться на этапах концептуализации и формализации при разработке ЭС, решающих задачи любых типов. При этом интенсивность участия в разработке ЭС экспертов существенно уменьшается, что с учетом сказанного выше может иметь особое значение для ответа на вопрос о возможности разработки ЭС для использования в органах государственного управления. Так же, как и в случае со СМО, для практического применения СИН не требуется такого интенсивного участия экспертов, как при разработке ЭС. СИН может использоваться для решения задач диагностики, прогноза и мониторинга либо в качестве подсистемы для решения задач других типов (включающих в себя только что перечисленные) с теми же целями, что и ЭС, однако, как уже говорилось выше, в отличие от ЭС СИН будет подобна черному ящику, так как результаты решения задач ею будут выдаваться без объяснения, что является серьезнейшим сдерживающим фактором.

Примеры использования ИС. Рассмотрим два примера отечественных ИС, позволяющих получить правильное представление о возможностях их применения в органах государственного управления.

Экспертная система "Контроль" предназначена для проверки выполнения положений "Договора об ограничениях стратегических наступательных вооружений" (СНВ), разрабатывалась в 1990-1991 гг. по заказу еще МИД СССР и достигла стадии действующего прототипа. Разработка осталась незавершенной из-за распада СССР, реорганизации в связи с этим МИД СССР и возникшей неясности в отношении Договора об СНВ. Однако полученные к этому моменту результаты говорили о том, что разработка данной ЭС была возможной и оправданной, а специфика решаемой задачи соответствует методам инженерии знаний.

Сущность решаемой ЭС "Контроль" задачи состояла в следующем. В соответствии с Договором стороны были обязаны обмениваться уведомлениями о любых производимых ими изменениях в текущем состоянии среды СНВ, например при испытаниях нового типа СНВ, производстве (хотя бы одного нового экземпляра), при модернизации, развертывании, передислокации существующих типов СНВ, при строительстве связанных с СНВ вспомогательных объектов и т.д. При этом возникала необходимость контроля каждого отраженного с уведомления события на предмет его соответствия положениям Договора. Заметим, что только на основании текстов уведомления и Договора эту задачу решить в общем случае невозможно, так как решение часто зависит от текущего состояния среды СНВ той стороны, которая прислала анализируемое уведомление. Например, анализируя событие, связанное с передислокацией тяжелого бомбардировщика с одной авиабазы на другую, необходимо знать, оборудован ли данный бомбардировщик для несения крылатых ракет воздушного базирования (КРВБ), и если да, то дислоцируются ли на авиабазе, куда направляется этот бомбардировщик, другие тяжелые бомбардировщики, которые оборудованы для несения КРВБ. Если дислоцируются, то один из пунктов Договора будет нарушен. Для решения данной задачи необходимо было помнить все положения Договора (его общий объем около 800 страниц) и текущее состояние среды СНВ, в частности информацию о каждом из нескольких тысяч ядерных зарядов. С помощью ЭС эта задача решалась более быстро и, главное, более надежно, в чем и заключалась основная цель разработки ЭС "Контроль". В ходе решения задачи ЭС "Контроль" выявляла несоответствие анализируемого события положениям Договора посредством их интерпретации применительно к данному событию. Для этого в БЗ ЭС "Контроль" содержались специальные правила, однозначно (но не взаимнооднозначно) соответствовавшие положениям Договора. В процессе интерпретации ЭС при необходимости обращалась к динамически изменяемой базе данных, в которой отражалось текущее состояние среды СНВ обеих сторон. Если обнаруживалось несоответствие события некоторому положению Договора, результат интерпретации этого положения использовался для содержательного объяснения причин обнаруживаемого несоответствия. То есть задачи, решавшиеся при помощи ЭС "Контроль", относились к типу задач интерпретации. Не вызывала сомнений возможность доведения ЭС "Контроль" до стадии промышленной системы. Класс задач, для решения которых предназначалась ЭС "Контроль" является подклассом существенно более широкого класса задач, связанных с проверкой соответствия некоторого контролируемого объекта определенной совокупности нормативных положений (норм), обычно объединенных в соответствующем документе или в системе документов. Задачи, относящиеся к этому классу, приходится решать (обычно при помощи юристов) регулярно во многих подразделениях органов государственного управления, и для некоторых из этих задач может оказаться оправданной разработка ЭС. Для этой цели может использоваться проблемно-специализированная оболочка "КРЕДО", ориентированная на данный класс задач, которая, кстати, использовалась и при разработке ЭС "Контроль".

Система машинного обучения "Индус" [7] предназначена для анализа предметных областей, объекты которых могут иметь произвольную природу, например, это могут быть события, процессы, живые организмы и др. Объекты описываются с помощью атрибутов, значения которых характеризуют их свойства. Результатами анализа являются иерархическая классификационная структура объектов предметной области и представленные в виде правил закономерности, отражающие взаимосвязь значений атрибутов, используемых для описаний объектов. СМО "Индус" использовалась при разработке промышленной ЭС "ДАМП", предназначенной для выявления причин аварийных ситуаций, возникающих при работе сложной программной системы телеобработки, а также для анализа ряда предметных областей, связанных с медициной, военным делом, биологией, строительством, экономикой и др. Так, в интересах Аналитического центра при Президенте Российской Федерации с помощью СМО "Индус" были проанализированы социально-экономические конфликты, имевшие место в Российской Федерации с января по март 1994 г. Целью анализа было выявление закономерностей, позволяющих прогнозировать проявления насилия, разрастание масштабов конфликта, выдвижение политических требований.

Список литературы

1.    Толковый словарь по вычислительным системам. / Под ред. В. Иллингуорта, ЭЛ.Глейзера, И.К.Пайла. - М.: Машиностроение, 1990.

2. Попов Э.В. Экспертные системы. - М.: Наука, 1987.

3. Попов Э.В., Фоминых И.Б., Кисель Е.Б. Статические и динамические экспертные системы: Методические материалы. - М.: ЦРДЗ, 1995.

4. Афанасьев О.Е., Виньков М.М. Индуктивный вывод знаний из фактов // Науч.-теХн. сб. Информатика. - Сер. Информационная технология. Средства и системы. -М.,1991.-Вып.4.-С. 13-20.

5. Шапот М.Д. Использование экспертных систем реального времени // Экспертные системы реального времени. - М., ЦРДЗ, 1995. - С. 32 - 37.

6. Уотерман Д. Руководство по экспертным системам. -М.: Мир, 1987.

7. Виньков М.М. Индус - система приобретения знаний, основанная на индуктивном выводе // III Конф. по искусств, интел. - Тверь, 1992. - С. 183 - 184.

8. Уоссермэн Ф. Нейрокомпьютерная техника. - М.: Мир, 1992.

9. Martin J. INTELSAT uses G2 intelligence to monitor ground station networks. Gensym Application Brief. Vol. 1, №2, November 1993.

10.   Sperber W.G. Artificial intelligence cements. Its position at Lafarge. Control, February 1994.

11.   Поспелов Д.А. Моделирование рассуждений. - M.: Радио и связь, 1989.