Введение

Научное направление, связанное с разработкой экспертных систем, развивается очень успешно. Сегодня существует много разнообразных программных средств, помогающих людям обрабатывать именно знания, а не просто информацию.

Главные проблемы в создании экспертных систем связаны с инженерией знаний - извлечением из большого объема знаний немногочисленных фактов и правил, их структурированием и построением из них экспертной системы. В извлечении и структурировании помощь эксперту оказывает инженер знаний. Этот инженер лучше, чем эксперт владеет формальными правилами организации знаний в систему, но не владеет специфическими для области экспертизы знаниями и терминологией. Эти различия в знаниях, навыках и терминологических уровнях не позволяют коллективу эксперт-инженер сразу сконструировать систему на уровне, достаточном для решения проблем. Их работа над прояснением и развитием системы связана со взаимным обучением. Наиболее важным в этом процесе является освоение экспертом приемов структурирования домена знаний, определения и формализации основных концепций домена.

Различные техники извлечения из словесного материала внутренних когнитивных процессов разрабатываются в рамках клинической психологии. Эти техники могут быть использованы для преодоления когнитивных защит, скрывающих основы деятельности эксперта.

В прошлом задача извлечения репертуарной решетки требовала квалифицированного психолога, который мог бы обрисовать конструкты личности другого человека, не внося туда собственные представления и идеи. Эта задача решалась различными путями. Появление недорогих персональных компьютеров сделало возможным создание программ, облегчающих автоматическое извлечение конструктов.

1. Анализ рынка экспертных систем

1.1. Предложения на рынке и тенденции развития

Существующие в настоящее время средства искусственного интеллекта (ИИ) можно разделить на системы искусственного интеллекта (приложения) и инструментальные средства, предназначенные для автоматизации всех этапов существования приложения. В области средств ИИ в настоящее время выделяются следующие основные направления:

·        экспертные системы, или системы, основанные на знаниях;

·        естественно-языковые системы;

·        нечеткие логики ;

·        нейронные сети;

·        генетические алгоритмы;

·        извлечение знаний.

Охарактеризуем кратко эти направления.

Системы, основанные на знаниях - это системы программного обеспечения, основными структурными элементами которых являются база знаний и механизм логических выводов. База знаний предназначена для хранения долгосрочных данных, описывающих проблемную область, и правил, описывающих целесообразные преобразования данных в этой области. Механизм логических выводов, используя текущие или промежуточные исходные данные и знания из базы знаний, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.

Основные особенности экспертных систем (ЭС) заключаются в следующем:

1.     Мощность экспертной системы определяется в первую очередь мощностью базы знаний и возможностью ее пополнения и только во вторую очередь - используемыми ею методами (процедурами). С другой стороны, подобный подход требует узкой специализации экспертных систем и наличия разнообразных баз знаний для множества различных приложений.

2.     ЭС предназначаются в основном для решения неформализованных или слабоформализованных задач, поэтому знания, хранящиеся в экспертной системе, являются в основном эвристическими, экспериментальными, правдоподобными.

3.     Возможность непосредственного взаимодействия пользователя с системой в виде диалога.

В настоящее время доля экспертных систем на рынке средств искусственного интеллекта оценивается в 70%.

Естественно-языковые системы используются для поиска в текстах, распознавания речи, голосового управления и обработки данных. Их доля на рынке составляет около 14%. В данном направлении выделяются следующие категории информационных продуктов :

·        средства, обеспечивающие естественно-языковый интерфейс к базам данных;

·        средства естественно-языкового поиска в текстах и содержательного сканирования текстов (Natural Language text retrieval and Contents Scanning Systems);

·        масштабируемые средства для распознавания речи (Large-Vocabulary Talkwriter);

·        средства голосового ввода, управления и сбора данных (Voice Input and Control Products and Data Collection Systems);

·        компоненты речевой обработки (Voice-Recognition Programming Tools).

Программные продукты первой категории преобразуют естественно-языковые запросы пользователя в SQL-запросы к базам данных. Средства естественно-языкового поиска в текстах осуществляют по запросам пользователей поиск, фильтрацию и сканирование текстовой информации. В отличие от продуктов предыдущей группы, где поиск осуществляется в базах данных, имеющих четкую и заранее известную структуру, средства данной категории осуществляют поиск в неструктурированных текстах, оформленных в соответствии с правилами грамматики того или иного естественного языка. Средства для распознавания речи распознают голосовую информацию и преобразуют ее в последовательность символов. Они ориентированы на работу со словарями объемом от 30000 до 70000 слов. В отличие от этого, средства голосового ввода ориентированы на работу со словарем около 1000 слов и существенно ограничены в возможностях распознавания. Программные средства этого типа предназначены для ввода голосовых команд, управляющих работой некоторого продукта, например, программы сбора данных в тех приложениях, в которых у исполнителей заняты руки.

Компоненты речевой обработки предназначены для программистов, которых хотят добавить возможности по распознаванию речи в разрабатываемые ими приложения.

Системы для нечеткой (fuzzy) логики (доля на рынке составляет 2%) предназначены для построения приложений, использующих технологии размытого (нечеткого) моделирования и "размытых" рассуждений.

Искусственная нейронная сеть представляет собой существенно параллельно распределенный процессор, который обладает способностью к сохранению и репрезентации опытного знания. Она сходна с мозгом в двух аспектах: знание приобретается сетью в процессе обучения и для сохранения знания используются силы межнейронных соединений, называемые синаптическими связями. Особенность нейросетевого подхода к моделированию заключается в том, что он изначально не подразумевает фазы анализа при построении модели. Нейронные сети - это существенно синтетический, а не аналитический подход.

Нейронные сети, по существующим в настоящее время представлениям, способны решать такие задачи, как распознавание образов, выделение сигнала на фоне шума, исправление ошибок, контроль над сложной адаптивной системой управления при невозможности формализовать экспертные знания или при отсутствии таковых. Доля подобных систем на мировом рынке интеллектуальных систем в настоящее время оценивается около 11%.

Системы для генетических алгоритмов используются, как правило, в сочетании с нейронными сетями в задачах синтеза интеллектуальных систем управления. Интерес к генетическим алгоритмам (ГА) обуславливается их высокой эффективностью при решении задач глобальной оптимизации и возможностями использования в процедуре тренировки нейронной сети. Методологическая основа генетических алгоритмов зиждется на гипотезе селекции, которая в самом общем виде может быть сформулирована так: чем выше приспособленность особи, тем выше вероятность того, что в потомстве, полученном с ее участием, признаки, определяющие приспособленность, будут выражены еще сильнее.

ГА заимствуют из биологии:

·        понятийный аппарат;

·        идею коллективного поиска экстремума при помощи популяции особей;

·        способы представления генетической информации;

·        способы передачи генетической информации в череде поколений (генетические операторы);

·        идею о преимущественном размножении наиболее приспособленных особей.

Системы для извлечения знаний из баз данных (Knowledge Discovery and Data Mining) в настоящее время специалистами выделяются в самостоятельную категорию систем искусственного интеллекта. На эти системы возлагаются задачи обнаружения закономерностей в неструктурированных наборах чисел и символов, выделения из них значимых для пользователя закономерностей и принятия на основании них определенных решений.

Концепция извлечения знаний из баз данных опирается на концепцию единого источника информации для пользователей. В качестве такого источника рассматривается хранилище данных (Data Warehouse). По определению, хранилище данных - это предметно-ориентированная, интегрированная, некорректируемая, зависимая от времени коллекция данных, предназначенная для поддержки принятия управленческих решений. Хранилище данных должно предложить такую среду накопления данных, которая оптимизирована для выполнения сложных аналитических запросов пользователей. Эти запросы могут быть достаточно индивидуальны для каждой организации, каждого подразделения и даже отдельного пользователя.

Хранилище данных должно автоматически собирать данные, согласовывать их и объединять в предметно-ориентированный формат, который требуется пользователям. При этом данные в хранилище не предназначаются для модификации.

1.2. Современное состояние экспертных систем

Итак, современные экспертные системы (ЭС) - особые компьютерные программы, моделирующие действия эксперта-человека при решении задач в какой-либо предметной области на основе накопленных знаний, составляющих БАЗУ ЗНАНИЙ (БЗ).

Однако только с появлением ЭВМ стало возможным воплотить теоретические наработки в жизнь. Первые экспертные системы (т.н. ЭС первого поколения) представляли собой фактически усложненные электронные справочники, где принятие решения осуществлялось с помощью перебора вариантов. Они отлично справлялись с поисковыми задачами (например, с нахождением требуемых телефонных номеров или формул), но имели мало общего с интеллектуальной деятельностью.

Довольно быстро разработчики ЭС первого поколения поняли, что путь тупого перебора вариантов - длинный и непродуктивный. Человек никогда не перебирает все варианты, он отсекает заведомо нереальные. Так возникли ЭС второго поколения, имеющие встроенные алгоритмы для скорейшего нахождения требуемого варианта, т.е. имеющие пусть примитивную, но все же "Базу Знаний". Говоря современным языком, их БЗ включала Базу данных и алгоритмы по работе с этими данными, заложенные экспертами-разработчиками.

Описываемые системы хотя и были на голову выше обычных программ, имели существенный недостаток - с ними могли работать только программисты.

В наши дни системы такого типа имеют огромные базы знаний и очень популярны во многих сферах деятельности, несмотря на свою высокую стоимость, поскольку строят собственное дерево заключений для достижения каждого нового решения (обычные компьютерные программы при решении задачи используют одну и ту же последовательность операций, т.е. они жестко детерминированы).

Естественно, подобные системы попытались использовать и при отборе и расстановке кадров. И - получили весьма посредственные результаты. Современные потомки подобных систем встречаются сегодня и в России - как правило, их базы знаний содержат от нескольких тысяч до нескольких десятков тысяч неких констант, именуемых производителями "переменными", "постоянными", "правилами" и т.п. Но сути это не меняет - подобные системы не могут обеспечить высокую точность результатов в кадровой работе по одной простой причине - они ЛИНЕЙНЫ по своей природе, т.е. имеют свод жестких правил и на его основе принимают всегда ЛОГИЧНЫЕ решения.

Давайте сравним два объекта экспертных систем - человека и, скажем, крылатую ракету.

Итак, крылатая ракета. Для управления ее движением используются экспертные системы 4-го поколения. Что такое полет такой ракеты? Это необходимость для экспертной системы одновременно и с высокой скоростью учитывать множество факторов (рельеф местности, силу ветра, действия противника и т.д. и т.п.) и принимать решения по управлению ракетой. Для таких задач экспертная система 4-го поколения подходит как нельзя, лучше, поскольку ракета а) пассивна и б) линейна. Пассивна - т.е. не изменяет сама условий расчета, линейна - т.е. она всегда реагирует на одни и те же изменения одинаково.

Однако человек - совершенно иной объект. Он активен, т.е. действует самостоятельно, постоянно меняя тем самым условия расчета; он нелинеен, т.е. может реагировать на одни и те же изменения совершенно по-разному. Т.е. человек не руководствуется законами формально-логическими, используемыми при построении математических моделей. Говоря словами М. Ботвинника, человек с точки зрения математики АЛОГИЧЕН и поэтому НЕФОРМАЛИЗУЕМ. Линейная система лишена нелогичности по определению и поэтому траекторию крылатой ракеты просчитывает отлично, а деятельность человека - нет.

ЭКСПЕРТНЫЕ СИСТЕМЫ ПЯТОГО ПОКОЛЕНИЯ - ПРЕЦЕДЕНТНЫЕ

Подлинный прорыв (а фактически - появление тех самых экспертных систем, которые и работают с кадрами сегодня), произошел во второй половине 90-х годов, когда резко увеличился объем памяти, сохраняемой на диске компьютера, и упала ее цена. Это дало возможность сначала в США (фирма "American Research"), а спустя некоторое время в России, (НПО "ЭТАЛОН", а для гражданских нужд - Центр "Хобби") разработать экспертные системы 5-го поколения - ПРЕЦЕДЕНТНЫЕ ЭКСПЕРТНЫЕ СИСТЕМЫ. Такие системы в корне отличаются от своих предшественниц тем, что их Базу знаний образуют не только логические правила, а и т.н. "БАЗА ПРЕЦЕДЕНТОВ" - результаты обследования реальных людей и информация о последующей успешности / неуспешности их деятельности.

Иными словами, прецедентные экспертные системы кроме "Базы знаний" имеют еще и "Базу прецедентов" (БП). В первых прецедентных системах приходилось создавать несколько "Баз прецедентов" для смежных областей, затем российским разработчикам удалось соединить прецеденты различных областей в одной БП и учитывать корреляцию между ними при принятии решений ЭС - это позволило таким системам работать в реальном времени. Помимо этого, лучшие экспертные системы 5-го поколения могут сами выделять наиболее характерные для группы работников качества, степень их выраженности и т.п. и создавать нелинейные модели должностей (т.н. "многомерные многофакторные профили").

Применение прецедентов позволило уменьшить число диагностируемых параметров, а использование факторного анализа в сочетании с возможностями последних поколений процессоров Pentium - автоматизировать практически все функции системы. Ручной режим в таких системах сохранен только для специалистов - HR-менеджеров, психологов и т.п.

При всех своих достоинствах, прецедентные экспертные системы трудны в изготовлении и эффективно работают, имея базу прецедентов (т.е. результаты обследований) в несколько сот тысяч человек. Для примера, база прецедентов экспертной системы Нью-Йоркской полиции - 786 000 чел., НПО "ЭТАЛОН" - 542 000 чел., причем по словам специалистов этого НПО, ЭС заработала с ожидаемой точностью, только когда база перевалила за 200 000 чел. Подобные системы в мире изготавливает менее двух десятков фирм, на их создание уходит не меньше 5-6 лет.

Однако, как говорится, игра стоит свеч - судя по публикациям и личным встречам экспертов, руководители предприятий, HR-менеджеры и кадровики, опробовавшие прецедентные экспертные системы, едины во мнении - эти ЭС в состоянии решать такие задачи, которые в принципе невозможно решить с помощью иных программ, например, компьютерная прогностика состояния персонала в реальном времени, определение тенденций в развитии организации и пр.

Такие системы приходят к своим решениям во многом на основе человеческих наблюдений и фактически, наряду с математическими алгоритмами, используют человеческую логику для принятия решений. И в этом их огромное и принципиальное преимущество. При этом простота в обращении, высокая пропускная способность и многогранность результатов позволяют использовать прецедентные экспертные системы практически во всех сферах работы с персоналом.