Модель знаний оболочки экспертных систем EESS | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2025. № 70. DOI: 10.17223/19988605/70/11

Модель знаний оболочки экспертных систем EESS

Предлагается оригинальный подход к построению инструментов для тестирования знаний с использованием продукционных экспертных систем. Наличие механизма вывода и аппарата для работы с неточно представленной информацией обеспечивает недетерминированный характер работы вопросноответной системы. Возможность применения подхода в различных областях обеспечивает оболочка экспертных систем. Задачи тестирования знаний требуют развития традиционных представлений о продукционных экспертных системах. В статье формулируются требования к таким системам и определяется модель знаний расширенной оболочки EESS (Extended Expert System Shell). В основном идеи разработки родились в применении к проведению тестирования знаний студентов, но предлагаемые возможности будут полезны и в других областях, например в медицинской диагностике - традиционной предметной области экспертных систем. Автор заявляет об отсутствии конфликта интересов.

Ключевые слова

оболочка экспертных систем, продукционная модель знаний, неопределенность информации, тестирование знаний

Авторы

ФИООрганизацияДополнительноE-mail
Бабанов Алексей МихайловичТомский государственный университетдоцент, кандидат технических наук, доцент кафедры программной инженерии Института прикладной математики и компьютерных наукbabanov@mail.tsu.ru
Всего: 1

Ссылки

Russell S., Norvig P. Artificial Intelligence: A Modem Approach (Pearson Series in Artificial Intelligence). 4th ed. Pearson, 2020. 1136 p.
Vigo R., Zeigler D.E., Wimsatt J. Uncharted Aspects of Human Intelligence in Knowledge Based "Intelligent" Systems // Philosophies. 2022. V. 7 (46). P. 1-19.
Krivoulya G.F., Shkil A.S., Kucherenko D.Y. Analysis of production rules in expert systems of diagnosis // Automatic Control and Computer Sciences. 2013. Is. 47. P. 331-341.
Knowledge Engineering Shells / N.G. Bourbakis (ed.). Singapore; River Edge, NJ: World Scientific Publishing Company, 1993. 536 p. (Advanced Series On Artificial Intelligence; v. 2).
Николайчук О.А., Павлов А.И., Юрин А.Ю. Компонентный подход: модуль продукционной экспертной системы // Программные продукты и системы. 2010. № 3. С. 41-44.
Грищенко М.А., Николайчук О.А., Павлов А.И., Юрин А.Ю. Инструментальное средство создания продукционных экспертных систем на основе MDA // Образовательные ресурсы и технологии. 2016. № 2 (14). С. 144-151.
Еремеев А.П. Проектирование экспертных систем средствами инструментальной системы GURU. М.: МЭИ, 1996. 52 с.
Nalepa G.J.Rules as a Knowledge Representation Paradigm // Nalepa G.J. Modeling with Rules Using Semantic Knowledge Engineering. Springer, 2018. P. 3-25.
Walley P. Measures of uncertainty in expert systems // Artificial Intelligence. 1996. V. 83. P. 1-58.
Dubey S., Pandey R.K., Gautam S.S. Dealing with Uncertainty in Expert Systems // International Journal of Soft Computing and Engineering (IJSCE). 2014. V. 4 (3). P. 105-111.
 Модель знаний оболочки экспертных систем EESS | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2025. № 70. DOI: 10.17223/19988605/70/11

Модель знаний оболочки экспертных систем EESS | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2025. № 70. DOI: 10.17223/19988605/70/11