Экспертные системы

Цели и задачи дисциплины

Овладеть теоретическими основами и практическими приёмами разработки экспертных систем; сформировать умение моделировать экспертные знания, проектировать и реализовывать системы поддержки принятия решений на основе знаний, оценивать их качество и применять современные инструменты и среды разработки экспертных систем. Задачи изучения дисциплины - Изучить основные понятия, классификацию и архитектуры экспертных систем. - Освоить представление знаний: правила, семантические сети, фреймы, онтологии, логические представления. - Изучить методы извлечения, формализации и валидации экспертных знаний. - Изучить методы вывода: продукционные системы, механизм прямого и обратного вывода, механизмы нечеткой логики и вероятностного вывода. - Освоить методы работы с неопределённостью: вероятностные модели, теории доказательств, нечеткая логика. - Научиться проектировать интерфейс взаимодействия с пользователем и механизмы объяснений (explanation facilities). - Ознакомиться с инструментальными средствами и средами разработки экспертных систем (CLIPS, системы на основе нечеткой логики, системы на основе онтологий и др.). - Получить практические навыки разработки простых экспертных систем и интеграции их с базами данных и веб‑интерфейсами. - Научиться оценивать качество экспертных систем и проводить тестирование и верификацию знаний.

Краткое содержание дисциплины

Введение в экспертные системы: понятия, история развития, области применения и современное состояние. Архитектура экспертных систем: база знаний, механизм вывода, подсистема объяснений, подсистема интерфейса, подсистема получения знаний. Представление знаний: правила (продукции), фреймы, семантические сети, логические формализмы, онтологии. Методы получения знаний: интервьюирование экспертов, наблюдение, анализ документации, машинное обучение для извлечения правил. Механизмы вывода: прямой (forward chaining) и обратный (backward chaining) вывод, контроль конфликта правил, стратегия вывода. Работа с неопределённостью: вероятностные подходы, байесовские сети, нечеткая логика, теория доказательств. Мультиагентные системы. Системы объяснений и верификации знаний: генерация объяснений, трассировка вывода, тестирование и валидация правил. Пакеты и среды разработки: CLIPS, Drools, экспертные оболочки, интеграция с СУБД и веб‑сервисами. Гибридные и современные подходы: сочетание машинного обучения и экспертных систем, онтологии и семантические технологии, интеллектуальные агенты. Практическая разработка: проектирование, реализация и тестирование экспериментальной экспертной системы для конкретной предметной области.

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ПК-17 [LLM-4] Проектирует, разрабатывает и интегрирует интеллектуальных агентов на базе генеративных моделей