Реализация извлечения и сохранения прецедентов в cbr-системах на основе распределенных библиотек прецедентов

В работе рассматривается задача поиска решения на основе распределенных библиотек прецедентов с использованием мультиагентного подхода. Основное внимание уделено этапам извлечения прецедентов из распределенных библиотек прецедентов и последующего сохранения вновь принятых решений в качестве новых прецедентов. Приведены стратегии взаимодействия агентов друг с другом на данных этапах. Выполнена программная реализация и тестирование соответствующих модулей разрабатываемой CBR-системы.

В настоящее время весьма актуальной задачей в области искусственного интеллекта является задача моделирования рассуждений на основе прецедентов в интеллектуальных системах [Варшавский и др., 2009].

Вывод на основе прецедентов (Case-Based Reasoning, CBR) — это метод принятия решений, в котором используются знания о предыдущих ситуациях или случаях (прецедентах). Как правило, подобные методы рассуждений включают в себя четыре основных этапа, образующие так называемый цикл рассуждения на основе прецедентов или CBR-цикл (рис.1):

• · Retrieve — извлечение наиболее подобного прецедента (или прецедентов) для сложившейся ситуации из библиотеки прецедентов (БП);
• · Reuse — повторное использование извлеченного прецедента (прецедентов) для попытки решения текущей проблемы;
• · Revise — пересмотр полученного решения и адаптация его, в случае необходимости, в соответствии с текущей проблемой;
• · Retain — сохранение вновь принятого решения как части нового прецедента.

В последнее время CBR-методам и CBR-системам уделяется повышенное внимание со стороны исследователей по всему миру. Они уже успешно используются в самых различных областях: в медицине, при управлении проектами, для анализа и реорганизации среды, разработки товаров массового спроса с учетом предпочтений разных групп потребителей, в задачах интеллектуального поиска информации, управления технологическими процессами электронной коммерции и других.

На сегодняшний день одними из наиболее актуальных задач в данной области являются задачи организации представления и хранения данных и знаний (прецедентов), а также задача разработки эффективных методов работы с распределенными данными.

До недавнего времени основное направление в области распределенного вывода на базе прецедентов (DistributedCBR, DCBR) заключалось в распределении ресурсов системы (как вычислительных, так и ресурсов данных в виде накопленного опыта) с целью повышения общей производительности CBR-системы, но распределенный характер БП также может быть обусловлен требованиями безопасности, предъявляемыми к системе (пользователи, обладающие информацией о некоторых прецедентах, не хотят «делиться» этой информацией с другими пользователями). Сами источники прецедентов могут быть распределены территориально и динамически дополнять локальные БП новыми прецедентами.

Кроме того, увеличивающееся число случаев успешного внедрения CBR-систем для решения различных практических задач дает новые возможности по использованию существующих БП, содержащих накопленный опыт в смежных предметных областях. В самом начале эксплуатации, когда CBR-система все еще занимается накоплением знаний, ее текущая БП содержит мало прецедентов, что в свою очередь снижает эффективность самой системы. В то же время, если для задач, схожих с задачей, решаемой данной системой, уже существуют некие внешние БП, их можно использовать для «восполнения пробелов» во внутренней БП. Кроме того, даже в том случае, когда в БП системы накоплен достаточный опыт (прецеденты), внешние библиотеки могут содержать специализированные знания, которые могут оказаться полезными при решении задач, нехарактерных для системы в обычных условиях.

В данной работе основное внимание уделяется процедурам извлечения (retrieve) и сохранения (retain) вновь принятых решений в БП.