Software & Systems

В контексте исследований по построению экспертных систем (ЭС) под приобретением знаний обычно понимают процесс, целью которого является создание такой базы предметных знаний, используя которую, ЭС при решении задач может демонстрировать поведение, сравнимое с поведением эксперта-человека, решающего те же задачи. Однако нетрудно увидеть, что такая точка зрения на приобретение знаний ЭС не вполне соответствует тем проблемам, которые должны быть решены в ходе разработки ЭС. Дело в том, что экспертная компетентность, как и вообще способность человека справляться с теми или иными задачами, проистекает не только из наличия собственно предметных знаний, подобных, например знаниям о различных клинических проявлениях заболеваний, но и, что очень существенно, из умения воспользоваться этими знаниями при решении конкретных задач.

Одни и те же предметные знания могут использоваться по-разному, в зависимости от целей оперирующего с ними субъекта. Под целями здесь понимаются как весьма общие, например "решение задач", "объяснение", "обучение", так и более конткретные, например "выдвижение гипотезы", "подтверждение гипотезы", "опровержение гипотезы". Одна и та же цель часто может быть достигнута разными путями, каждый путь предопределяет специфическую стратегию использования предметных знаний.

Итак, более точным будет взгляд на приобретение знаний как на процесс, результатом которого должно быть построение такой модели экспертной компетентности, в которой нашли бы отражение оба источника компетентности: накопление большого объема предметных знаний и умение адекватно использовать эти знания.

Приобретение знаний по известному метафорическому определению Фейгенбаума представляет собой "узкое место", "горлышко бутылки" в процессе разработки ЭС. Иным" словами, это - необходимый, самый трудный и самый важный этап создания ЭС. От того, что именно нам удалось "протолкнуть через горлышко", зависит, насколько "умной" будет наша ЭС. Проблему зависимости между "умом" ЭС и тем, что и как "проталкивать", мы обсудим в начале второй главы, а сейчас попытаемся проанализировать причины, по которым приобретение знаний само по себе является сложной задачей, привлекающей внимание многих крупных специалистов в области искусственного интеллекта в течение последних пятнадцати лет.

Таких причин несколько. Они могут быть разделены на четыре группы. Первая группа может быть условно обозначена как "многоли-кость" человеческих знаний. В самом деле, знания человека существуют в различных формах: в форме теорий, эмпирических ассоциаций, процедурной форме, в форме образов, систем оценок. Только немногие из этих форм знаний допускают адекватную вербализацию, а передавать ЭС невербализованные знания мы еще не умеем.

Вторую группу причин условно обозначим как "феномен экспертности". Суть этого феномена в несколько парадоксальном виде может быть выражена утверждением "экспертная компетентность - это неосознаваемая компетентность".

В 1986 г. Г. Ханкинсом изложена небесспорная, но интересная идея относительно того, какие стадии проходит человек в процессе становления экспертом. Выделены стадии:

1)       неосознаваемой некомпетентности (ребенок),

2)   осознаваемой некомпетентности (учащийся),

3)   осознаваемой компетентности (профессио нал), 4) неосознаваемой компетентности (экс перт).

Неосознаваемость компетентности означает, что эксперт не отдает себе отчета в том, какой процесс рассуждения в действительности имел место при решении задачи и какими знаниями на самом деле он при этом пользовался. Следствием неосознаваемое™ — и это экспериментально подтверждено — является неспособность эксперта охарактеризовать реально протекающие процессы рассуждения и используемые в них знания. То, что рассказывают эксперты — это в лучшем случае не более, чем их представление о необходимых знаниях и способах их использования.

Метод решения задач экспертами точнее всего может быть определен как "непосредственное узнавание". Такой способ рассуждения предполагает специфическую организацию экспертных знаний. Отличительное свойство этой организации - наличие больших, на тесно связанных фрагментов - гештальтов,' целостных образов проблемных ситуаций. Выявление гештальтов, а не отдельных элементов знаний в виде понятий, отношений между ними или продукционных правил - это открытая проблема в приобретении знаний для ЭС.

Третью группу причин, обусловливающих объективную сложность процессов приобретения знаний для ЭС, можно охарактеризовать как "коммуникативные барьеры". Сюда мы относим как проблемы передачи знаний и субъективности интерпретации, так и проблемы психологической совместимости эксперта и взаимодействующего с ним инженера знаний. Дело в том, что даже если бы эксперт смог точно проанализировать свои знания, то, пытаясь пе-

редать эти знания другому человеку, не являющемуся специалистом в его предметной области (ПО), он будет неосознанно прибегать к упрощению, отбрасывая сложные, но скорее всего важные детали. С другой стороны, инженер знаний, анализируя поведение эксперта при решении задачи, его высказывания, ответы на вопросы, никогда не может быть полностьТо объективен, свободен от своего прошлого опыта, накопленных знаний, личностных особенностей, неосознаваемых предпочтений.

И, наконец, последнюю по упоминанию, но не последнюю по значимости группу проблем, связанных с приобретением знаний, составляет проблемы, которые могут быть обозначены как "нетривиальная архитектура знаний". Даже те знания, которые поддаются вербализации, представляют собой сложно организованную систему. "Срез" системы может быть сделан на разных уровнях, причем каждый уровень сам является системой с нетривиальной организацией.

Какие уровни полезно выделять при разработке ЭС? В каких терминах следует специфицировать эти уровни? Эти вопросы в последнее время активно исследуются. Они занимают центральное место в одном из существующих на настоящий момент подходов к приобретению знаний, а этот подход, в свою очередь, занимает центральное место в этой работе. Но для того, чтобы у читателя сложилось по возможности полное представление о современном состоянии дел в проблематике приобретения знаний для ЭС, мы кратко рассмотрим сейчас и другие подходы.

Существующие подходы естественным образом разбиваются на два класса, различающихся тем, какой способ построения модели экспертной компетентности взят за основу (рис. 1).

Если модель экспертной компетентности пытаются строить путем моделирования процессов обучения, накопления и обобщения опыта, извлечения знаний из данных, то такие подходы объединяются общим названием "ма-

шинное (автоматическое) обучение". В машинном обучении модель экспертной компетентности — это результат процесса, реализующего какую-либо модель становления экспертом. В зависимости от того, как именно моделируется становление экспертом, можно выделить три подхода: моделирование процессов накопления и обобщения опыта; моделирование извлечения знаний кз данных (примеров) путем обобщения по сходству (структурная индукция); моделирование обучения на основе объяснений.

Наиболее давнюю историю имеют методы структурной индукции. Этот подход называется также эмпирическим обучением или обучением, основанном на сходстве. Здесь разработаны методы, позволяющие по совокупности примеров некоторого понятия сформировать определение этого понятия.

Относительно недавно в автоматическом обучении возникла новая парадигма - аналитический подход или обучение, основанное на объяснении. Суть этого подхода в том, что рассматривается один пример и некоторая принимаемая в качестве базовой теория предметной области. Методы аналитического обучения обеспечивают формирование объяснения этого примера на основании имеющейся теории. Это объяснение затем обобщается, чтобы быть применимым и к другим примерам - так формируется новое знание.

Моделирование процессов накопления и обобщения опыта основано на использовании специальной организации памяти для хранения опыта. Этот подход активно разрабатывается Р. Шенком и его коллегами. Структуры для хранения опыта называются MOPs (memory organization packets). Каждый МОР соответствует описанию типовой ситуации. В этом описании фиксируется последовательность событий, причем события также могут храниться, как МОР. Известен особый вид МОР - структуры памяти для хранения типовых объяснений конкретных случаев. Эти структуры называются XPs (explanation patterns). В процессе обучения делается попытка объяснить новый случай. Попытка реализуется путем поиска в памяти подходящего ХР. Если ХР найден, то его степень достоверности повышается. В противном случае генерируется новый ХР.

Идеи Шенка относительно способов организации памяти были взяты за основу в ряде исследований по накоплению н обобщению опыта.

Рассмотрим теперь другую группу подходов к приобретению знаний для ЭС. Общей чертой подходов этой группы является взгляд на эксперта как на если и не единственного, то самого главного носителя знании. Построение модели экспертной компетентности рассматривается здесь как выявление "готовой", уже сформировавшейся у эксперта системы знаний и умений, при этом могут быть выделены два существенно различных подхода к моделированию экспертной компетентности.

Первый нацелен на исследование способов организации знаний у экспертов и особенностей

поведения экспертов при решении задач. Этот подход может быть охарактеризован как моделирование когнитивного пространства экспертов.

Последний из подходов к моделированию экспертной компетентности имеет ■ ярко выраженную прагматическую окраску. Здесь не ставится цель исследовать реальную природу экспертной компетентности. Более того, по сути дела в этом подходе моделируется не столько экспертная компетентность, сколько понимание этой компетентности инженером знаний. Рисунок 2 поясняет идею такого двухуровневого моделирования экспертной компетентности в прагматическом подходе.

Но почему результат приобретения знаний мы при этом называем объективизированной моделью экспертной компетентности? Дело в том, что в прагматическом подходе инженера знаний, образно говоря, не бросают на произвол судьбы. Ему предлагается руководствоваться определенной методологией анализа ПО-знаний и интерпретировать информацию, получаемую от экспертов, в рамках системы понятий, связанных с этой методологией.

Иными словами, при формировании своего понимания экспертных знаний и умений инженер знаний "не свободен", он должен (если он хочет сравнительно быстро разработать действительно "умную" ЭС) пользоваться некими объективно существующими знаниями о том, как анализировать экспертную компетентность и в каких терминах интерпретировать результаты анализа.