Искусственный интеллект. Современный подход

ЭКСПЕРТНЫЕ СИСТЕМЫ, ОСНОВАННЫЕ А ИСПОЛЬЗОВАНИИ ТЕОРИИ ПРИНЯТИЯ РЕШЕНИЙ

В научной области анализа проблемы принятия решений, которая бурно развивалась в 1950—1960-х годах, изучалось применение теории принятия решений к реальным задачам принятия решений. Результаты, полученные в этой сфере, использовались для упрощения задачи принятия рациональных решений во многих важных проблемных областях, где ставки достаточно высоки, таких как бизнес, государственное управление, юриспруденция, военная стратегия, медицинская диагностика и здравоохранение, техническое проектирование и управление ресурсами. Применяемый при этом процесс предусматривал тщательное исследование всех действий и результатов, а также учет предпочтений, назначенных каждому результату. По традиции в области анализа проблем принятия решений специалисты подразделяются на две категории: лицо, принимающее решения, формулирует отношения предпочтений между результатами, а .лицо, анализирующее решения, составляет список возможных действий и результатов, а также получает от лица, принимающего решения, информацию о предпочтениях, чтобы определить наилучшую стратегию. До начала 1980-х годов основное назначение анализа решений состояло в том, чтобы помочь людям принимать решения, которые действительно отражают их собственные предпочтения. А в настоящее время, когда процессы принятия решений во все большей степени становятся автоматизированными, анализ решений используется для обеспечения того, чтобы эти автоматизированные процессы действовали в соответствии с предъявленными к ним требованиями.
Как было описано в главе 14, на первых порах исследования в области экспертных систем сосредоточивались на получении ответов на вопросы, а не на принятии решений. Такие системы, которые рекомендуют действия, а не предоставляют оценки сложившихся обстоятельств, как правило, функционируют на основе правил "условие—действие", а не с использованием явных представлений результатов и предпочтений. Но после разработки теории байесовских сетей в конце 1980-х годов появилась возможность создавать крупномасштабные системы, способные формировать обоснованные вероятностные выводы на основании полученных свидетельств. А внедрение в практику сетей принятия решений означало появление возможности создания экспертных систем, способных рекомендовать оптимальные решения с учетом предпочтений пользователя, а также доступных свидетельств.
Система, в которой учитываются полезности, способна избежать одной из наиболее распространенных ловушек, связанных с процессом предоставления консультаций, — смешивания правдоподобия и важности. Например, наиболее широко применяемой стратегией в ранних медицинских экспертных системах было ранжирование возможных диагнозов в порядке правдоподобия и выдача сообщения о наиболее вероятном диагнозе. К сожалению, такой подход иногда оказывался катастрофическим! Для большинства пациентов в общей медицинской практике двумя наиболее вероятными диагнозами обычно являются следующие: "У вас нет ничего серьезного" и "Вы сильно простудились", но если третьим по степени вероятности диагнозом для данного конкретного пациента (который тем не менее не был сообщен системой) является рак легких — это уже серьезная ситуация! Очевидно, что план медицинского обследования или лечения должен зависеть и от учета вероятностей, и от учета полезностей.
Теперь мы опишем процесс инженерии знаний для экспертных систем, основанных на теории принятия решений. В качестве примера рассмотрим задачу выбора медицинского лечения для определенного вида сердечного заболевания у детей обоих полов (см. работу Лукаса [962]).
Около 0,8% детей рождаются с той или иной сердечной аномалией, причем наиболее распространенной из них является коарктация аорты (сужение аорты). Этот дефект можно исправить с помощью хирургического вмешательства, ангиопластики (расширения аорты с помощью надувного баллона, помещенного внутри этой артерии) или терапевтического лечения. Проблема состоит в том, чтобы определить, какой способ лечения следует использовать и когда его проводить: чем младше ребенок, тем выше риск, связанный с применением определенных способов лечения, но ожидание также не должно продолжаться слишком долго. Экспертная система, основанная на использовании теории принятия решений, которая предназначена для решения данной проблемы, может быть создана группой специалистов, состоящей по меньшей мере из одного специалиста в данной проблемной области (детского кардиолога) и одного инженера по знаниям. Сам этот процесс можно разбить на следующие этапы (который читатель может сравнить с этапами разработки системы на основе логики, описанными в разделе 8.4).
• Создание причинной модели. Определить, каковыми являются возможные симптомы, нарушения, способы лечения и результаты. Затем провести между ними дуги, указывающие, какими нарушениями вызваны те или иные симптомы и какие способы лечения позволяют устранить те или иные нарушения. Некоторые из этих сведений должны быть хорошо известны специалисту в данной проблемной области, а другие сведения он может почерпнуть из литературы. Эта модель часто во многом напоминает неформальные графические описания, приведенные в медицинских учебниках.
• Упрощение причинной модели до уровня качественной модели принятия решений.
Поскольку применяемая модель предназначена для принятия решений, касающихся способа лечения, а не для других целей (таких как определение совместной вероятности некоторых комбинаций симптом/нарушение), часто можно упростить причинную модель, удаляя переменные, которые не требуются в процессе принятия решений, касающихся лечения. Кроме того, иногда возникает необходимость разделить или соединить переменные, чтобы они соответствовали интуитивным представлениям специалиста. Например, предположим, что первоначальная модель коарктации аорты включала переменную Treatment (Лечение) со значениями surgery (хирургическое вмешательство), angioplasty (ангиопластика) и medication (терапевтическое лечение), а также отдельную переменную Timing для определения сроков выполнения процедуры лечения. Но допустим, что специалисту нелегко рассматривать все эти переменные отдельно, поэтому они были объединены так, что переменная Treatment принимает значения типа surgery in 1 month (проведение хирургического вмешательства в течение одного месяца). В результате будет получена модель, приведенная на рис. 16.8.
• Присвоить значения вероятностей. Вероятности можно определить по базам данных о пациентах, по результатам исследований, приведенным в литературе, или на основании субъективных оценок самого специалиста. В тех случаях, если в литературе даны сведения о вероятностях не совсем подходящих типов, для вычисления требуемых вероятностей можно применить такие методы, как правило Байеса и маргинализация. Исследования показали, что специалисты в проблемной области в большей степени обладают способностью оценить вероятность результата, если дана причина (например, Р{ dyspnoea | heart failure)), а не наоборот.
• Присвоение значений полезностей. Если количество возможных результатов невелико, то их можно перечислить и оценить отдельно. Допустим, что в данном случае создается шкала результатов от наилучшего к наихудшему и каждому из них присваивается числовое значение, например случаю смерти присваивается значение -10 00, а полному излечению — значение 0. После этого на данную шкалу можно поместить другие результаты. Такая задача может быть выполнена специалистом в данной проблемной области, но лучше, если в ее решении примет участие пациент (или, если речь идет о детях, то родители пациентов), поскольку разные люди имеют различные предпочтения. Если же количество результатов растет экспоненциально, то может потребоваться определенный способ, позволяющий комбинировать их с использованием многоатрибутных функций полезности. Например, можно утверждать, что отрицательная полезность различных осложнений является аддитивной.
• Проверка и уточнение модели. Для проверки работоспособности системы потребуется множество правильных пар "вход—выход" — (input, output) — так называемый золотой стандарт, с которым можно выполнить сравнение. Для медицинских экспертных систем это обычно означает, что можно собрать самых лучших врачей, дать им на рассмотрение несколько случаев и попросить у них сообщить их диагноз и рекомендуемый план лечения. Затем осуществляется проверка того, насколько результаты, полученные данной системой, согласуются с указанными рекомендациями. Если согласование оказывается неприемлемым, то нужно попытаться выделить ее части, которые действуют неправильно, и провести их доработку. Может также оказаться полезным выполнение прогона системы "в обратном направлении": вместо того чтобы вводить в систему симптомы и запрашивать диагнозы, можно представить ей диагноз, такой как "сердечная недостаточность", определить предсказанную вероятность симптомов, таких как тахикардия, и сравнить это значение с данными, полученными из медицинской литературы.
• Осуществление анализа чувствительности. На этом важном этапе проверяется, чувствительно ли наилучшее решение к небольшим изменениям в присвоенных значениях вероятностей и полезностей; для этого систематически осуществляется варьирование этих параметров и повторное проведение вычислений. Если небольшие изменения приводят к получению намного отличающихся решений, то может потребоваться затратить больше ресурсов на сбор более качественных данных. Если же все небольшие изменения приводят к получению одного и того же решения, то пользователь будет больше доверять этому решению как правильному. Анализ чувствительности особенно важен, поскольку одно из основных критических замечаний в адрес вероятностных подходов к созданию экспертных систем состоит в том, что трудно оценить необходимые числовые значения вероятностей. Анализ чувствительности часто показывает, что достаточно задать многие числовые данные только очень приблизительно. Например, мы можем не знать, каково значение априорной вероятности Р( tachycardia), но после опробования многих разных значений этой вероятности и получения в каждом случае одинакового рекомендованного действия по диаграмме влияния можно меньше беспокоиться о том, что отсутствует соответствующая достоверная информация.
В данной главе показано, как объединить теорию полезности с теорией вероятностей, чтобы дать возможность агенту выбрать действия, которые максимизируют его ожидаемую производительность.
• Теория вероятностей описывает, в чем должен быть уверен агент согласно полученному свидетельству, теория полезности показывает, к чему должен стремиться агент, а теория принятия решений позволяет объединить подходы этих двух теорий для определения того, что должен делать агент.
• Теория принятия решений может использоваться для создания систем, которые принимают решения, рассматривая все возможные действия и выбирая из
РЕЗЮМЕ
них именно то, которое приводит к наилучшему ожидаемому результату. Такая система известна под названием рационального агента.
• Теория полезностей показывает, что агент, руководствующийся отношениями предпочтения между лотереями, совместимыми с множеством простых аксиом, может быть описан как обладающий функцией полезности; кроме того, агент выбирает действия так, чтобы можно было максимизировать его ожидаемую полезность.
• Теория многоатрибутной полезности посвящена изучению полезности, которая зависит от нескольких разных атрибутов состояний. Стохастическое доминирование представляет собой особенно удобный метод принятия непротиворечивых решений даже при отсутствии точных значений полезности для атрибутов.
• Сети принятия решений представляют собой простую формальную систему для описания и решения задач принятия решений. Они являются естественным расширением байесовских сетей и, кроме узлов жеребьевки, содержат узлы решения и узлы полезности.
• Иногда для решения задачи приходится заниматься поиском дополнительной информации, прежде чем принимать решение. Стоимость информации определена как ожидаемое повышение полезности по сравнению с принятием решений без этой информации.
• Экспертные системы, в которых предусматривается использование информации о полезности, обладают дополнительными возможностями по сравнению с системами, в которых применяется исключительно вероятностный вывод. Они не только обладают способностью вырабатывать решения, но и могут использовать стоимость информации для определения того, следует ли стремиться к ее получению, а также способны рассчитать чувствительность своих решений к небольшим изменениям в оценках вероятности и полезности.