Нейронная сеть Экспертная система

Question

Кто-нибудь знает, как эмулировать экспертные системы с использованием нейронных сетей? Примером этого является 20q.net веб-сайт.

Мне более интересно, как будет спроектирована сеть; т.е. сколько входов, что представляет вход, что выводит из сети, как эти выходы указывают на ответ. Очень интересные вещи.

Answer 1

Экспертные системы очень отличаются от нейронных сетей

Эти системы отличаются во многих отношениях, как в отношении их архитектуры, так и в отношении их использования.

Экспертные системы (по крайней мере, в традиционном понимании этого слова) управляются [обычно] правилами высокого уровня, которые механизм использует, наряду с некоторыми входными данными, чтобы сделать некоторые выводы о входных данных. Правила обычно вводятся в явном виде, по сути, переводя некоторые заявления, сделанные экспертами в определенной области, в любое представление предикатов, которое реализовано в экспертной системе.

Нейронные сети * С другой стороны, 1010 * (NN) может иметь свою топологию, заданную вручную / явно, но в других случаях, как правило, могут автоматически учиться связывать некоторые входные или входные последовательности с конкретными выходными данными. .

Приведенные выше описания, безусловно, являются сокращающими для обеих концепций, может быть, в частности, для нейронных сетей, которые бывают разных форм и вкусов (с множеством различных применений, далеко за пределами распознавания образов), но, я надеюсь, помогут вам понять, насколько сильно различаются эти системы есть.

Одно существенное различие может быть в отношении «прозрачности», при которой экспертные системы обычно могут выводить некоторые «объяснения» для своих вычетов («Вход 1 и Правило № 3 указывают на вывод А с вероятностью 81%»), тогда как НН, как правило, черные ящики. Это не означает, что NN не могут прийти к очень точному «пониманию» своего мира (и такое понимание инкапсулируется в топологии сети и относительных весах, связанных с различными входами и / или нейронами), просто этот опыт Об их мире не так легко перевести на простой английский. Что касается прозрачности, и в в очень широких терминах , NN сравнивает немного с математической формулой, в которой экспертная система больше похожа на книгу рецептов.

Другое заметное отличие, о котором говорилось выше, заключается в том, что экспертная система требует перевода и загрузки явных правил («Если температура превышает 200 градусов, предохранительный клапан начинает открываться»), в результате чего нейронная сеть обнаруживает такие «правила». на основе предоставленных ему обучающих наборов (таких как маркированные входные наборы).

Answer 2

Я не знаю, как работает нейронная сеть Q20, но вы можете использовать нейронные сети для обучения соединений в сети Belief. По сути, у каждого вопроса есть «желание быть заданным», которое модифицируется на основе результатов ранее заданного вопроса. Другими словами, 3 вопроса с самым высоким начальным «желанием» могут быть «Это животное?» "Это овощ?" или "Это минерал?" Давайте просто скажем, что вы разделили галстук и сказали «Это животное?» Если человек отвечает «Да», вы увеличиваете вероятность / желание задавать вопросы, такие как «У него есть волосы?» и уменьшить вероятность таких вопросов, как "Это боб?"

В этой схеме это будут параметры дельта-вероятностной функции, которые можно выполнить с помощью нейронной сети. Другими словами, решение о том, насколько увеличить или уменьшить вероятность следующего вопроса "Есть ли у него волосы?" это можно сделать, основываясь на успехе или неудаче «Это животное?» -> ИСТИНА, «Есть ли у него волосы ->» ... [Результат] в очень большом количестве игр. Обратите внимание, что хотя это возможно для NN, совсем не интуитивно понятно, что NN будет эффективен - статистические методы, вплоть до Байеса и вплоть до «Машины опорных векторов» альтернативные способы изменения связи между вопросами, чтобы учиться лучше.

Исходя из моего опыта работы с ИИ, я подозреваю, что у вас не будет успеха, если вы просто бросите все вопросы в горшок и полностью перекроете их, а скорее будете иметь ряд подсетей для достижения целей , Хотя я точно не знаю. Одна из вещей, которая поражает в алгоритме Q20, это то, что он не кажется не имеет дискретных подцелей - я думаю, вы можете увидеть любой вопрос в любое время. Это очень впечатляет.

Answer 3

Что вы можете сделать, это заменить определенные правила или даже наборы правил нейронной сетью, а затем просто структурировать вызовы этих нейронных сетей в дереве (аналогично тому, как часто начинаются простые системы ответа на вопросы) или в списке, который Вы бы последовательно работали через или в какой-то графовой сети. Что вы теряете, так это встроенную реализацию сети RETE, если вы не структурируете нейронные сети, которые вы используете в функции, используемой в экспертной системе. На самом деле вы также можете просто обучить нейронную сеть на множестве входных данных, представляющих N правил - в этом случае нейронная сеть просто запоминает входные и выходные шаблоны, а не обобщает их.

Answer 4

Это совершенно несовместимые темы.

Экспертная система опирается на набор правил и логический механизм; набор правил предоставляется инженером знаний. Правила - это операторы «если-то», которые легко читать / исправлять / поддерживать и т. Д.

С другой стороны, нейронная сеть скорее воспринимается как черный ящик. Веса и нейроны адаптируются на основе шаблонов ввода / вывода, но эти веса не представлены как правила. Механизм логического вывода отсутствует, поскольку входные данные используются в различных вычислениях для получения выходных данных.

В некоторых случаях вы можете извлечь некоторые правила из NN (см., Например, извлечение правил для Fuzzy ARTMAP ); но, насколько я знаю, такие подходы редко встречаются на практике. Он собирается обратить вспять инженерию знаний, встроенных в NN, процесс, сильно зависящий от конкретной архитектуры сети.

Другое большое отличие: NN может использоваться исключительно для числового ввода (нечисловой ввод должен быть преобразован в числа, но иногда это ненатуральный процесс), в то время как экспертная система принимает номинальные значения.

Answer 5

Это в некоторой степени открытый вопрос, или, по крайней мере, на него трудно ответить. Проверять, выписываться http://www.cs.waikato.ac.nz/ml/weka/ и http://marsyas.sness.net/ за интересную документацию и реализацию алгоритмов интеллектуального анализа данных и машинного обучения.