В начале восьмидесятых годов в исследованиях по искусственному интеллекту ([1]) сформировалось самостоятельное направление, получившее название "экспертные системы" (ЭС). Цель исследований по ЭС состоит в разработке программ, которые при решении задач, трудных для человека, получают результаты, не уступающие по качеству и эффективности решениям, получаемым квалифицированным экспертом.

По мнению ведущих специалистов, в недалекой перспективе ЭС будут играть ведущую роль во всех фазах проектирования, разработки, производства, распределения, продажи, поддержки и оказания услуг, а технология ЭС, получившая коммерческое распространение, обеспечит революционный прорыв в интеграции приложений из готовых интеллектуально взаимодействующих модулей.

Уже сейчас технология экспертных систем используется для решения различных типов задач (предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление) в самых разнообразных проблемных областях, таких, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, металлургия, горное дело, химия, образование, целлюлозно-бумажная промышленность, телекоммуникации и связь и др.

ЭС предназначены для решения так называемых неформализованных задач. Неформализованные задачи обычно обладают следующими особенностями:

1. ошибочностью, неоднозначностью, неполнотой и противоречивостью исходных данных и знаний о проблемной области и решаемой задаче.

2. большой размерностью пространства решения, т.е. перебор при поиске решения весьма велик.

3. динамически изменяющимися данными и знаниями.

Экспертные системы и системы искусственного интеллекта отличаются от систем обработки данных тем, что в них в основном используются символьный (а не числовой) способ представления, символьный вывод и эвристический поиск решения (а не исполнение известного алгоритма).

Почему ответы экспертов носят нечисловой характер. Как указывается в ([2]), наиболее общий ответ состоит в том, что люди не мыслят числами. В мышлении человека используются образы, слова, но не числа. Поэтому требовать от эксперта ответа в форме числа - значит насиловать его разум. Даже в экономике предприниматели, принимая решения, лишь частично опираются на численные расчеты.

Эксперт может сравнить два объекта, дать им оценки типа "хороший", "приемлемый", "плохой", упорядочить несколько объектов по привлекательности, но обычно не может сказать, во сколько раз или на сколько один объект лучше другого. Другими словами, ответы эксперта, обычно измеренные в порядковой шкале, являются ранжировками, результатами парных сравнений и другими объектами нечисловой природы, но не числами.

Таким образом, мы видим, что мнения экспертов, которые превращаются в экспертной системе в знания, могут не совпадать и даже противоречить друг другу. Поэтому необходимо использовать специальные методы, которые могут достаточно надежно сопоставить различные элементы знания (альтернативы) в условиях, когда они оцениваются по разному. Если эти оценки можно принять в качестве некоторых критериев оптимальности, для решения указанной задачи можно привлечь такие методы ([3]), как MAUT (многокритериальная теория полезности), AHP(метод аналитической иерархии), ELECTRE(исключение и выбор, отражающие реальность), голосования(метод Борда и система де Кондорсе).

Метод MAUT позволяет правильно выбрать оптимальное решение проблемы. Выбор осуществляется при помощи построения уравнений функции полезности по каждому из предлагаемых критериев, с указанием наихудшего и наилучшего их значения. Зная диапазон изменения оценок по каждому из критериев, можно построить функцию, определяющую полезность для ЛПР (лица принимающего решение) каждой оценки из этого диапазона. Для определения общей функции полезности производится проверка условия независимости по полезности и независимости по предпочтению. Первоначально ЛПР должен определить свое предпочтение между альтернативами попарно. Для полной проверки условия независимости по предпочтениям следует рассмотреть все пары критериев.

Подход аналитической иерархии (Analytic Hierarchy Process - АНР) широко известен в настоящее время. При подходе MAUT одни и те же усилия ЛПР по построению функции полезности могут быть затрачены при большом и малом числе альтернатив. Не всегда такой подход является обоснованным. В случае небольшого числа заданных альтернатив (задачи первой группы) представляется разумным направить усилия ЛПР на сравнение только заданных альтернатив. Именно такая идея лежит в основе метода АНР.

Постановка задачи, решаемой с помощью метода АНР, заключается обычно в следующем.

Дано: общая цель (или цели) решения задачи; N критериев оценки альтернатив; n альтернатив.

Требуется: выбрать наилучшую альтернативу.

Подход АНР состоит из совокупности этапов.

1. Первый этап заключается в структуризации задачи в виде иерархической структуры с несколькими уровнями: цели-критерии-альтернативы.

2. На втором этапе ЛПР выполняет попарные сравнения элементов каждого уровня. Результаты сравнений переводятся в числа при помощи специальной таблицы (см. далее).

3. Вычисляются коэффициенты важности для элементов каждого уровня. При этом проверяется согласованность суждений ЛПР.

4. Подсчитывается количественный индикатор качества каждой из альтернатив и определяется наилучшая альтернатива.

Перейдем к краткой характеристике метода ELECTRE. В конце 60-х годов группа французских ученых во главе с профессором Б. Руа предложила новый подход к проблеме принятия решений при многих критериях, подход РИПСА (Подход, направленный на Разработку Индексов Попарного Сравнения Альтернатив). Методы РИПСА направлены на сравнение заданной группы многокритериальных альтернатив. В настоящее время имеется много методов принятия решений, принадлежащих к данному подходу. Из них наиболее известна группа методов ELECTRE. Как и методы аналитической иерархии, методы РИПСА направлены на сравнение заданной группы многокритериальных альтернатив. Подходы MAUT и АНР неявно предполагают, что основные предпочтения ЛПР уже, в основном, сформированы до применения метода принятия решений. Следовательно, эти предпочтения могут быть получены от ЛПР "одномоментно" ? при сравнениях оценок, назначении весов и т.д. Возможные уточнения введенных оценок осуществляются на этапе проверки чувствительности, т.е. на заключительном этапе применения метода. В отличие от этого при подходе РИПСА предполагается, что предпочтения ЛПР формируются при анализе проблемы, осуществляемым с помощью метода принятия решений. Следовательно, метод должен предъявлять ЛПР различные варианты решения проблемы в зависимости от тех или иных решающих правил. Эти правила формируются в виде индексов попарного сравнения альтернатив.

Однако структура описанных методов все-таки не полностью отражает реальную систему привлечения экспертов для формализации их знаний. Наиболее отвечает такой системе процедура голосования, при которой каждому эксперту предлагается упорядочить ряд альтернатив по правдоподобию, значимости или другому признаку. Поэтому моим научным руководителем мне была поставлена задача реализовать и глубоко исследовать методы голосования, которые первоначально были разработаны для совершенно иных целей.

Литература

1. "Современные проблемы науки" (www.ulstu.ru) 12/11/2003

2. Орлов А.И. Организационные методы управления наукой и статистика объектов нечисловой природы. - Тезисы докладов Всесоюзного симпозиума "Медицинское науковедение и автоматизация информационных процессов". - М., 1984

3. О.И. Ларичев. Теория и методы принятия решений. М., "Логос", 2000 г.

4. Д.Б.Коптобенко. Альтернативы для будущего пенсионера-журнал "Главная книга"2003 г.

5. В. Липский Комбинаторика для программистов. Издательство "Мир", 1988 г.

6. "Структура психологического знания" (http://expert.psychology.ru/) 15/12/2003

7. Введение в экспертные системы, 3-е издание (http://www.williamspublishing.com/Books/sci_ExpertSystems.html) 02/01/2004

8. "Структура экспертных систем" (http://www.referat.su/refs_new/18977/ref_part_0.shtml) 02/01/2004