Proč expertní systém

Člověk poznal velice brzy, že jeho paměť může uchovat jen omezené množství údajů a začal své informace zaznamenávat – do kamene, do hlíny, na papír či na disky výpočetních systémů. Dnes nikdo nepochybuje o tom, že v prostém uchovávání faktů nás počítače dávno překonaly. Uchovávání údajů má však smysl jen tehdy, dovedeme-li uložené údaje nějak interpretovat, využít pro své rozhodování. K tomu však potřebujeme něco daleko méně uchopitelného, než jsou prostá data – totiž znalosti. Zde se však rázem ocitáme v době kamenné – v tomto směru se totiž i naše nejskvělejší počítače jen o málo vzdálily od prostého nápisu vytesaného do kamene.

Je jasné, že v myšlení nás počítače ještě dlouho nepřekonají. Má tedy smysl se již dnes pokoušet o uložení znalostí, když víme, že experta budeme stejně potřebovat? Ukazuje se, že ano. Při každém rozhodování mohou jistě nastat situace, kdy je schopnost experta improvizovat, přizpůsobit se, či použít obecných znalostí z jiných oborů, nenahraditelná. Ale řada situací se dá vyřešit rutinním použitím pevných, dobře formalizovatelných, pravidel. Takových situací může být velmi mnoho a je-li pro jejich řešení možné použít počítače, je dobré to udělat. Dřina patří strojům. Expert pak bude mít víc času na řešení úloh, kde je nenahraditelný.

Strojové znalosti mají navíc mnoho příjemných vlastností. Jsou předně trvalé - na rozdíl od člověka, který zapomíná (zvláště znalosti, které dlouho nepoužívá). Neodcházejí do důchodu nebo ke konkurenci. Poskytují stále stejné výsledky – na rozdíl od člověka, který může být unavený, nesoustředěný či pod časovým tlakem. Lze je snadno reprodukovat, a proto jsou všem snadno dostupné.

S množstvím metod vyvinutých k získávání a uchovávání textů, obrazů, zvuků, měření a jiných primárních dat kontrastuje hrstka metod určená k získávání a uchovávání znalostí. Problém není ani tak v ukládání znalostí, ani v jejich aplikaci (využití), ale v jejich získávání. Relativně snadno to jde tam, kde má člověk znalosti uloženy v hlavě ve tvaru, který lze snadno převést do programu počítače, například všechny úlohy související s aplikací matematiky. Ve většině oborů lidské činnosti však nemají znalosti tak formalizovanou strukturu jako právě v matematice a pro experta není vůbec snadné popsat pro potřeby analýzy postup, který používá při řešení konkrétního problému.

Jedná se o paradox, se kterým se denně setkávají všichni analytici – uživatel je schopen popsat, jak je třeba postupovat v konkrétní situaci, ale selhává v definici obecných principů, které pro své rozhodování používá. Přitom je jasné, že nějakými obecnými principy se musí řídit, protože konkrétních situací, se kterými si poradí, je ohromné množství. Usuzuje se, že příčina vězí v tom, že expert své znalosti získává učením. Malé kousky znalostí, které expert postupně získal během dlouhého učení, se poskládaly v dlouhé sekvence automatizovaného chování a původní východiska jsou zasuta někde v hlubinách mozku. Zdůvodnění a vysvětlení, které vám expert poskytne pro své (evidentně správné) rozhodnutí, je tak často chybné a neúplné. Říká vám, co si myslí, že dělá, místo toho, co dělá doopravdy.

Kvalitě takto získaných algoritmů pak odpovídá kvalita na nich postavených programů. Ještě dlouho po nasazení do provozu pak program selhává, když se setká s neočekávanou situací. Expert si pak “vzpomene” na další pravidlo a algoritmus je třeba upravit. Přidáme-li k tomu změny vyvolané změnami používaných pravidel (např. změnou zákonů), je jasné, že použití klasických programovacích technik není pro ukládání a interpretaci znalostí ideální.

Bylo nalezeno řešení spočívající v tom, že expertní znalosti se neukládají do algoritmu programu, ale ukládají se ve vhodné reprezentaci jako data do databáze znalostí. Uložená pravidla jsou pak interpretována vhodným programem. Změna pravidel je pak pouze změnou dat, tj. nevyžaduje opravu programu. Tento přístup dále umožňuje vytvoření obecných programů nezávislých na charakteru získávaných a interpretovaných znalostí. Pro takové programy se vžil název expertní systémy. ( K odlišení prázdné databáze a programů pro její správu od databáze naplněné konkrétními znalostmi doplněné o interpretační program se v angličtině používají termíny “expert system shell” a “expert system”.)

Prázdných expertních systémů (skořápek) existuje ve srovnání například s databázovými stroji poměrně málo. Většinou se jedná o složité nástroje vyžadující speciálně vyškolenou obsluhu – znalostního inženýra. Jeho úlohou je převést expertovy znalosti do pravidel, která je možné uložit do databáze znalostí. Tím se ovšem opět setkáváme s odlišnou reprezentací znalostí. Expert prostě většinou nepostupuje tak, že by na každou situaci znovu a znovu aplikoval nějakou soustavu primárních pravidel. V převážné většině případů zařadí situaci na základě jejích vlastností do nějaké konkrétní škatulky, pro kterou pak má připraveno rozhodnutí. Tomuto postupu se říká “rozpoznávání vzorů” (pattern recognition). Jsou-li znalosti uloženy jinak, než je expert zvyklý myslet, je však velmi obtížné vytvářenou bázi znalostí odladit.

Když jsme před časem hledali pro jednoho našeho zákazníka na Internetu nějaký prázdný expertní systém, stanovili jsme si následující kriteria. Produkt musí mít rozumnou cenu, musí být podporován a udržován na profesionálním základě. Musí podporovat vytváření moderních klientů (Windows a Intranet). V ideálním případě by měl umožňovat získávání znalostí bez účasti znalostního inženýra (náš zákazník sídlí v zahraničí, takže osobní konzultace jsou drahé).

Z tohoto pohledu je výběr expertního systému ACQUIRE jeví jako optimální.

Proč expertní systém O firmě Algo Ceník