XVII Международная студенческая научная конференция Студенческий научный форум - 2025

Введение.Экспертные системы (ЭС) — это особый класс программных приложений, предназначенных для решения сложных задач, которые обычно требуют экспертных знаний в какой-либо области. Они стремятся имитировать процесс мышления и принятия решений человека-эксперта, что делает их полезными инструментами в ситуациях, где человек не может быть напрямую вовлечен или, когда требуется высокоскоростное принятие решений. Современные ЭС находят широкое применение в самых разных областях, от медицины до финансов, от производства до экологии.

Основные принципы разработки экспертных систем охватывают несколько ключевых аспектов: создание базы знаний, разработка методов вывода и интерфейса взаимодействия с пользователем. Эффективность этих систем во многом зависит от правильно выбранных моделей знаний и методов анализа данных. Сегодняшние ЭС, используя методы машинного обучения и искусственного интеллекта, становятся более гибкими, адаптивными и точными, что значительно расширяет их возможности.

Ключевыми факторами, которые способствуют успеху разработки и внедрения экспертных систем, являются точность построения моделей, использование актуальных технологий для обработки информации и постоянное обновление баз знаний. ЭС, интегрированные в системы управления, способны заметно повысить продуктивность и эффективность организаций, снижая риски ошибок и повышая скорость принятия решений.

Цель исследования — исследование принципов разработки экспертных систем, выявление факторов, влияющих на их эффективность, а также анализ примеров успешной реализации ЭС в различных отраслях.

Материал и методы исследования

В ходе исследования использовался метод анализа научной и технической литературы по принципам разработки и применения экспертных систем. Были рассмотрены работы, опубликованные в ведущих научных журналах, исследования на конференциях и отчеты по внедрению ЭС в реальных организациях. Также был проанализирован опыт компаний, активно использующих экспертные системы в своей работе, с целью выявления лучших практик и успешных примеров.

Методами исследования являются:

1. Контент-анализ научных статей и публикаций, для изучения теоретических основ разработки ЭС.

2. Кейс-метод, для анализа реальных примеров внедрения экспертных систем в различные отрасли.

3. Метод сравнительного анализа, для сравнения различных моделей и методов, применяемых в экспертных системах.

4. Анализ технологических и рыночных трендов, для оценки текущих тенденций в развитии технологий экспертных систем.

Результаты исследования и их обсуждение

Современные исследования по разработке экспертных систем выделяют несколько принципиальных аспектов, которые должны быть учтены на всех стадиях их создания. Одним из главных элементов является модель знаний, которая служит основой для принятия решений. В зависимости от области применения ЭС могут использовать различные формы представления знаний, такие как [2]:

1. Правила вывода (IF-THEN) — наиболее популярная модель, в которой знания представлены в виде логических правил, что позволяет системе выполнять выводы на основе заданных условий.

2. Фреймы — структура, позволяющая хранить данные и отношения между ними в виде объектов и атрибутов.

3. Онтологии — более сложная иерархическая модель, которая используется для представления знаний в областях с высоким уровнем неопределенности.

Методы вывода играют ключевую роль в построении эффективных экспертных систем. Наиболее известными являются методы цепочек рассуждений (forward и backward chaining), которые позволяют последовательно и логически обрабатывать данные и выстраивать решения. В современных ЭС также активно используются методы машинного обучения для автоматического улучшения качества выводов на основе новых данных.

Примеры реализации принципов разработки ЭС

1. MYCIN — классическая экспертная система, разработанная для диагностики инфекционных заболеваний. Используя набор правил, она помогала врачам в диагностике заболеваний на основе симптомов и данных о пациентах. Принципы вывода и представления знаний в MYCIN стали основой для множества последующих медицинских ЭС.

2. XCON — экспертная система, разработанная для помощи в настройке компьютерных систем в компании DEC (Digital Equipment Corporation). XCON использовала базу знаний о различных компонентах и их взаимодействии для автоматической конфигурации оборудования. Эта система значительно ускорила процесс настройки и снизила количество ошибок.

3. Денежные и финансовые ЭС — такие системы, как FICO и Kensho, используют правила вывода и алгоритмы машинного обучения для анализа больших объемов финансовых данных и прогнозирования рыночных трендов. Эти системы применяются для оценки рисков, создания инвестиционных портфелей и управления финансовыми активами.

Если обобщать, то можно утверждать, что, в последние годы, экспертные системы становятся все более интегрированными с технологиями искусственного интеллекта и машинного обучения. Они позволяют не только имитировать экспертное поведение, но и адаптироваться, обучаться на новых данных и становиться более точными с течением времени. Особенно перспективными являются гибридные системы, которые объединяют традиционные методы вывода с возможностями машинного обучения, создавая системы, которые могут самостоятельно обновлять свои базы знаний.

Кроме того, активно развиваются приложения для Интернета вещей (IoT), где экспертные системы играют ключевую роль в обработке данных с сенсоров и устройствах для предсказания отказов оборудования, оптимизации энергопотребления и других задач. В таких приложениях ЭС используются для обработки и анализа больших потоков данных в реальном времени, что дает возможность оперативно реагировать на изменения в производственных процессах.

Все вышесказанное, позволяет сделать прогноз перспектив внедрения и развития экспертных систем, который, по нашему мнению, в ближайшие десятилетия остаются весьма значимыми, так как с развитием технологий искусственного интеллекта и обработки данных ЭС будут становиться все более универсальными и доступными для широкого круга применений [1]. Прежде всего, это связано с несколькими важными тенденциями:

1. Интеграция с искусственным интеллектом и машинным обучением — внедрение технологий глубокого обучения и нейронных сетей в экспертные системы позволит значительно улучшить их способность к самонастройке и адаптации к новым данным. Это особенно важно в таких областях, как медицинская диагностика, где ЭС будут учиться на новых кейсах, а также в финансовых и промышленных сферах, где требуется постоянное обновление базы знаний.

2. Широкое внедрение в производственные процессы — экспертные системы становятся важным инструментом в автоматизации сложных производственных процессов. Применение ЭС в таких отраслях, как автомобильная промышленность, авиация, энергетика и фармацевтика, уже доказало свою эффективность. В будущем их возможности будут значительно расширяться благодаря интеграции с робототехникой и интеллектуальными системами управления.

3. Использование в области Интернета вещей (IoT) — в перспективе экспертные системы будут активно использоваться для обработки данных, поступающих от устройств Интернета вещей. В комбинации с алгоритмами машинного обучения, ЭС смогут предсказывать поломки оборудования, оптимизировать распределение ресурсов, улучшать контроль качества продукции и обеспечивать более высокую эффективность работы [3].

4. Увеличение роли в сфере управления знаниями — ЭС, интегрированные с системами управления знаниями, будут использоваться для автоматического накопления, обработки и распространения знаний в организациях. Это особенно важно для крупных корпораций и научных организаций, где требуется централизованный доступ к специализированной информации.

5. Поддержка принятия решений в реальном времени — в перспективе экспертные системы будут использоваться для оперативного анализа больших объемов данных в реальном времени, что позволит принимать решения на основе актуальной информации. Это особенно важно для таких сфер, как управление энергетическими сетями, здравоохранение, а также в области безопасности и обороны.

6. Преимущества внедрения ЭС в производство — применение экспертных систем в производственных процессах позволяет значительно улучшить контроль качества, снизить затраты на обслуживание и оптимизировать производственные циклы. Например, в автомобилестроении ЭС активно используются для мониторинга состояния оборудования и предсказания возможных поломок, что позволяет минимизировать время простоя и увеличить производительность.

Как пример, в области энергетики, экспертные системы помогают прогнозировать потребление энергии, оптимизировать нагрузку на сети и даже разрабатывать новые источники энергии. В химической промышленности ЭС используются для оптимизации рецептур производства, выбора материалов и улучшения качества продукции.

Выводы. Разработка экспертных систем требует тщательного подхода к выбору модели знаний, методов вывода и взаимодействия с пользователем. Внедрение ЭС в различные отрасли, включая промышленность, медицину, финансовый сектор и другие, продемонстрировало значительные преимущества, такие как повышение эффективности работы, снижение ошибок и оптимизация ресурсов. Современные тенденции в области искусственного интеллекта и машинного обучения открывают новые горизонты для создания более мощных и гибких экспертных систем. Реальные примеры успешной реализации, такие как MYCIN, XCON и современные финансовые ЭС, демонстрируют, что использование экспертных систем позволяет значительно улучшить процессы принятия решений и повысить производительность на всех уровнях.

Список литературы

1. Bukreiev D. O. et al. Features of the use of software and hardware of the educational process in the conditions of blended learning //AET 2020-Symposium on Advances in Educational Technology. – Technology (AET 2020). SCITEPRESS, 2022. – №. 2. – С. 236-244.

2. Авдеенко Т. В., Алетдинова А. А. Цифровизация экономики на основе совершенствования экспертных систем управления знаниями //π-Economy. – 2017. – Т. 10. – №. 1. – С. 7-18.

3. Букреев Д. А. Прогнозирование фондового рынка с помощью нейросетей //ББК 32.973-01я5 I74. – 2018. – С. 36.