Задачи и алгоритмы синтеза и согласования знаний для комбинированных экспертных систем

В качестве основы для создания базы знаний, ориентированной на решение конкретной задачи, используются протоколы диалогов между инженером, специализирующимся на машинном обучении, и экспертом в данной области. Полученная база содержит лишь ограниченный набор «знаний».

Функция выбора (ФВ), предназначенная для работы с этой базой, обучена на ограниченном количестве примеров. Для обеспечения удовлетворительного ответа на запросы пользователя необходимо установить строгие критерии для отбора начальных предъявлений и их количества. Для того чтобы база знаний эффективно пополнялась с обоснованием, необходимо, чтобы у инженера по машинному обучению имелись достаточные данные для выявления мотивационных факторов, определяющих выбор эксперта [1].

Формула функции вывода (ФВ) может быть рассчитана для любого пользователя и любого варианта из набора предложений, относящихся к исследуемой тематике, благодаря алгоритму, имитирующему подход эксперта к выбору. Свойства, которые приобретает ФВ, устанавливаются механизмом выбора, задействованным в алгоритме. Функции, реализующие строгое наследование, находят свое воплощение в механизме скалярной оптимизации, направленном на достижение конкретной цели [2]. В свою очередь, функции, обладающие свойствами наследования и согласия, могут быть эффективно реализованы с помощью механизма векторной оптимизации, основанного на принципах предпочтения.

Паретова оптимизация обеспечивает реализацию функций выбора, которые обладают такими важными качествами, как наследование, согласованность и независимость от отброшенных вариантов. Для классов ФВ, обладающих другими, не противоречащими друг другу, свойствами, применяются схемы динамического программирования, основанные на определенной информационной структуре [3].

Этот подход подразумевает создание экономной программы извлечения знаний: сбор только необходимой информации, которая позволит построить алгоритмы логического вывода и тем самым расширить базу знаний.

Постановка задачи

Вопрос о расширении базы знаний сводится к следующему [3, 4]:

Пусть задано поле выбора B(G), тогда:

• 1)    определить минимальное количество предъявлений, необходимое для получения непустых значений функциональной зависимости (ФВ) С(-), обладающих заданными свойствами - характеристиками мотивации экспертного решения. Это позволит обеспечить наполнение ФВ, отражающее определенное ее сечение (т. е. ФВ С(Х) £ С(Х) VX 6 B(G)) в рамках всего поля выбора;

• 2)    разработать алгоритм, который будет наполнять фрагмент функциональной модели, ориентируясь на выявленные причины экспертного решения.

Рассмотрим ряд утверждений, которые помогают понять, насколько сложно пополнять знания в сложных областях, отвечающих ключевым требованиям, связанным с мотивацией экспертных решений. Эти же утверждения можно интерпретировать как необходимые условия для накопления знаний и применить для создания соответствующих вычислительных алгоритмов:

При соблюдении условия наследования для непустой ФВ { C(-),B(G)} и регулярном предъявлении G возможно восстановить сечение С(-) ФВ { C(-),B(G)}, которое будет строго наследовать заданные свойства по x_c(G).

В случае, когда функциональная величина (ФВ) { C(-),B(G)} наследует свойства и все максимальные предъявления регулярны, ее сечение, также наследующее эти свойства [5], может быть определено на основе характеристик этих предъявлений ФВ { С(-), B(G)}.

Рассмотрим молекулу M_z, состоящую из атомов, чьи области влияния частично перекрываются Z.

В данном случае получается, что если функция ФВ { C(-),B(G)}, описывающая синтез координатных

ФВ {QCWG i )}, 16/, С«,                                                (1)

наследуется на молекулах и

VZ 6 B(G) C(Z) 2 Z П C(Mz),                                                      (2)

то для определения сечения С(-) восстановления понадобится информация только о молекулах с максимальным уровнем включения.

Расширенная задача пополнения знаний

Пусть выполнены условия [6]:

• 1)    /(•) отображает значения в однообразном порядке, где

V4,B 6 ^(Н):У(4) nK(B) ^ 0 ^4 HB ^ 0;                                  (3)

• 2)    ^(Н) охватывает все множества Н, состоящие из одного элемента, и сохраняет свойство замкнутости при пересечении;

• 3)    (•): B(G) ^ B_M(G) также соответствует требованиям наследования;

• 4)    vx, Ye B_M(G)X ПУ ^0чХпУе B_M(G);

• 5)    V(H) - систематическое представление в B(G).

Для создания сечения расширенной функции вывода (РФВ)

[VC),K(H),C(0,B(G)]                                                               (4)

необходимо лишь знать величины C(-),V(-), W(-), Л * (0 на 0(п + т) в заданных наборах при условии, что m = |H|, п = |G|.

Тогда для получения сечения РФВ рекомендуется придерживаться описанной ниже процедуры.

Алгоритм 1

Шаг 1. В самом начале производится расчет показателя x_C(V(H)).

Шаг 2. На основе свойств x_C(V(H)) создается группа или семейство P_V(H).

Шаг 3. Определяются значения V(•) в точках множества H .

Шаг 4. На четвертом этапе на входе A e K(H) выявляется элемент к, имеющий наименьший номер среди тех P_V(H), у которых пересечение с заданной областью не пусто.

В данном случае значение сечения ФВ вычисляется по следующей формуле:

F(A) = V4AnAW(C(C£(V(H)))))).                                        (5)

Если реализованы следующие условия [7]:

• 1)    C0: B¹(G) ^ B_M(G) - соответствует критериям наследования;

• 2)    VA,B e k(h) v(a) £ V(B) ^ A £ B;

• 3)    V (A) - постоянное выставление на проверку в любых максимально обширных сценариях A e K(H);

• 4)    K (H) включает в себя любой набор, состоящий из одного элемента.

Изучая одноэлементные ситуации V0, свойства образов, максимально охватывающих элементы K(H) при визуализации V0, а также значения ^(^) и Л*С), присвоенные этим образам, можно получить информацию о сечении РФВ [V(0, K(H), C0,B(G)].

В качестве методики создания сечения РФВ рекомендуется алгоритм 2.

Алгоритм 2

Шаг 1. В множестве V (•) устанавливаются значения для каждой точки.

Шаг 2. Определяется полный список самых обширных элементов K(H), включая все возможные значения V0 для каждого элемента [V(A j ),ie/], представленные в виде списка [X_C(V(A j ), i e /)] , а также сопутствующий набор их свойств.

Шаг 3. Определяются величины ^(^) и Л*С), соответствующие элементам характеристик.

Шаг 4. В качестве следующего шага выявляется полный набор ситуаций A e K(H), которые максимально охватывают входную ситуацию /(A), и затем вычисляется значение V¹(A) путем объединения значений VO, присущих каждой из этих ситуаций.

Шаг 5. Рассмотрим минимальный элемент множества /(A) (для наглядности). Его вычисление rg(V(A)/V(A j )) (для упрощения рассуждений) даст нам пересечение с элементом V¹(A) -характеристики Z * (V(A j )), которое, в свою очередь, совпадет с сечением [8] исходной функциональной зависимости.

Очевидно, трудозатраты данной процедуры тесно связаны с количеством t максимально включенных элементов K(H), которое в разы больше, чем в процедуре 1. Таким образом, количество множеств V(0, C(0, ^(•j,Л * (0, где производятся вычисления значений, идентично t х 0(п + m).

Прямая задача синтеза знаний (ПЗСЗ)

Проблема синтеза знаний заключается в следующем.

Представлены непустые координатные функции {C j (•), B j (G j )} ^_ ₁ и алгоритм сопоставления [£(•), ML(G)].

Необходимо выявить синтетическую функцию связи (ФВ) {C(0, B(G)}, где G = П^ / G , , C(0, которая соответствует согласованным координатным ФВ G j (O, / = {1,2,..., к].

Для более точного определения задачи необходимо ввести ряд уточняющих определений.

Для каждой функциональной величины (ФВ) {C iO ,B j (G j )}, определенной на частных множествах G , мы сопоставим ее дополнение {C¹(^),B¹(G)}, также заданное на частных множествах n ie/ G ; :

^Ci ⁽ⁿmEi ^Xm^{)   n}mEi ^ m . ^ i   ^Ci^(Xi ). ^ m ^Xm . ^m ^ ^{i .}

Пусть

Рассмотрим естественный вариант продолжения n^B^G') (Картезианское произведение множеств выборов ФВ {Ci(^).Bi(Gi)}i-1) на основе n({Bi(Gi)}-).

CM iEi X i ) = n iEi C i (X i ) VX i E B i (Gi),

{CiO,Bi(Gi)}4-_i ФВ {€„(■).£ B1(Gi)} представляет собой ядро набора.

Поведение ядра аналогично [8, 9] поведению каждой координатной функции, но только в рамках определенных множеств:

"BllGO-

Синтетическая функция выборки (ФВ) предъявляет повышенные требования к области определения, которая, в отличие от ядра, не ограничивается параллелепипедами [9].

Тогда ФВ {C(-),B(G)} является синтезом набора {C i (-),B i (G i )}^₁ , если выполнены следующие требования:

f

6 = ⁿiEi ^Gi ;

,n/B^(Gi)£BM(G)£n({Bi(Gi)}^);

C(Z) П C_V(Z) ^0 VZ EQ B^G i ),

D(X)£ U U CHY) VX E ML(G), YEX_MiEI ¹

. D(C_V(X) П C(X) B0 VX E ML(G)

Рассмотрим естественные предпосылки согласования, присущие задачам многомерного синтеза.

Предположим, что каждый элемент множества ФВ имеет базис {C i (-),B i (G i )}^₁,

——

Vi E 1,k BN i (G i ) £ B i (G i ), что удовлетворяет условиям:

• 1)    VZ E B i (G i ) его поверхность охватывают элементы из N i (G i ),

• 2)    VZ E N_i(G_i) C , (Z) =Z.

Создадим множество

M(ntEiGi) = {Z:Z = П(Е1Хг,Хг E NJ.

Атомы, входящие в это множество, формируют структуру атомной решетки по отношению к ФВ {C_v(-),_in_iB 1 (G i )}.

Пусть будет обозначено множеством всех молекул ML(n i _Ei G i ), а его естественным расширением ML(n i _EI G i ) - через ML(n i _EI G i ).

Рассмотрим две молекулы [10]: одна состоит из атомов, частично или полностью перекрывающихся Z E B(G) с M_z, а другая - из атомов, являющихся элементами N_z .

В рамках нашего анализа мы будем исследовать контролируемый синтез, где параметры согласования подчиняются заданным соотношениям [10]:

• 1)    ML(n iEi G i ) £ B(G) £ ML(n iEi G i )

• 2)    VZEB(G) M z .N z EB(G);

• 3)    Если Z - молекула, то и C(Z) - молекула.

Расширенная прямая задача синтеза знаний (РПЗСЗ)

В рамках расширенной прямой задачи мера синтеза знаний заключается в установлении связей между данными, представленными в виде координатных [11] РФВ:

Wi(-)_lKi(Hi)_lCi(-).Bi(G_i)].iE I = {1.2 k},                                                   (13)

следующей РФВ [V(■').K(H'). C(-).B(G)] при нижеприведенных ограничениях:

(         С = П(е;С<,И = П<е1Яг;

{Z: Z = nie;Zi,Zi € КАНОЛЕ Г} £ K(H);

{X:X = n_i € _IX_i,X_i € B i (GO,i€ I) £ B(G);

VX = ni€!Xi€B(G)C(X)nnie/Ci(Xt)^0;                                     (14)

D(X)£ U U C^Y) VX€ML(G);

Y€X ^ i€l

.    D(C_V(X) П C(X) + 0 VX € ML(G)

Рассмотрим синтетическую РФВ [V(-),K(H),C(-),B(G)] как результат объединения координатных РФВ {[V i (-), K i (H i ), C i (-), B i (G i )], i € I} и ФВ [D(-),ML(G)] при соблюдении определенных критериев (14).

Обратная задача синтеза знаний (ОЗСЗ)

Задача синтеза знаний (ОЗСЗ) в обратном направлении ставит перед собой цель – определить координатные знания на основе заданных синтетических знаний и правил их согласования [12]. В целом обратная задача ОЗСЗ заключается в разбиении общей концепции выбора системы на более мелкие концепции выбора подсистем. Согласованное объединение этих частных концепций должно привести к восстановлению исходной концепции.

Базы знаний структурируются с помощью функций, определяющих выбор.

{C(-), B(G) {B i (G i )}, i € {1,2 n}, {D&, M(G)},                                       (15)

где C(-), C i (-),D(-) - синтетическая координатная ФВ и ФВ принципов согласования;

G = Пе ! G i ,I € {1,...,n} - альтернативы ФВ, G_;;

i € I - альтернативы i -й ФВ;

B(G) £ 2^G и B i (G i ) £ 2^G - варианты выбора: синтетические или координатные ФВ;

MS(G~) - список опций для настройки согласования (взаимосвязь MS(G) с другими свойствами баз знаний определяется эмпирически, как правило MS(G) = ML(G)).

Различные варианты X € B(G),X i € B i (G i ),X € MS(G) обозначим как синтетические и координатные представления ФВ, а также функцию, обеспечивающую их согласование D(-).

В семействах [D(-,a),B(G),a € А], где [D(-,a),B(G),a € A], Va€ А параметрическая функция выбора (ПФВ) определяет выбор, имея собственное поле параметров.

Рассмотрим синтетическую функцию ФВ, обозначенную как C(-),B(G) и атомную решетку T(G), представленную множеством ML(G) молекул. Спектр [C(-),B(G)], { B i (G i ), i € I}, который является набором проекций B(G), I = {1,2, .,n}, связан с множеством индексов, G = П._€ 1 G i образуемых декартовым произведением конечных множеств [12].

Рассмотрим следующие условия согласования:

| X ПА £ D(X,A) £ X VA£G VX € ML(G); (D(X, ni€! Ci (P^X) П C(X) + 0 VX€ ML(G)

Тогда заданы:

• 1)    задача синтеза знаний в обратном порядке предполагает поиск набора фактов ФВ {C i (-), B i (G i ), i € I}, который соответствует заданным критериям (16);

• 2)    для поиска подходящего набора РФВ {[V i (-),B(G), C i (G i )]} необходимо применить расширенную ОЗСЗ, соответствующую (16);

• 3)    ОЗСЗ параметрического характера, если необходимо определить ПФВ {[C i (-,a),B i (G i ), a £ G,i € I ]}, который соответствует заданным критериям (16).

Решение, принятое с помощью ФВ, связывается с конкретным лицом, ответственным за принятие решения (ЛПР). После того как оптимальное решение ОЗСЗ будет найдено, работа ФВ, то есть синтез выбора, прекращается [13]. Вместо этого наступает этап выбора в рамках координатных полей и последующего согласования.

Задача согласования знаний (ЗСЗ)

В процессе синтеза знаний концепция согласования выполняет функцию, аналогичную понятиям равновесия, компромисса и справедливости в рамках теории принятия решений. В контексте выбора она отражает субъективное восприятие принимающего решение индивида о достижении компромисса или справедливого результата. При синтезе знаний это выражается как оценка эксперта высокого уровня, касающаяся качеств синтезированных знаний, которые формируются из координатных данных. Целью процесса согласования является определение согласованных параметров, которые одновременно логически обоснованы и воспринимаются как разумные [14]. Эти параметры представляются в форме функции выбора.

В рамках двумерной ПЗСЗ задача заключается в генерации синтетических функций (синтетической функциональной зависимости) на основе заданных координатных данных [C i (G i ),B i (G i )], i = 1,2 и заранее определенных правил согласования.

Пусть T(G₁,G₂) — синтетические знания, формирующиеся в рамках структуры атомной решетки, а T (G₁, G₂) - ее расширение.

Обозначим для любого

ZCG = G1xG2

через M_z молекулу, состоящую из атомов, чьи области влияния частично перекрываются Z, а через N_z - молекулу, содержащую атомы, входящие в Z.

В рамках данного рассмотрения мы принимаем за основу, что функция ФВ, отвечающая за согласование, подчиняется следующим зависимостям:

( T(G 1 , G 2 ) С B(G) = B(G i , G2) С T(G i , G 2 )

_ VX, Y С T(G₁ х G₂) C(X х У) = C₁(X) х C₂(Y); VZCB(G) M_z,N_zCB(G);

< если Z — молекула, то и C(Z) — молекула.

Условия [14]:

• 1)    это подразумевает, что каждый атом может быть включен в синтезированную ФВ и одновременно каждый раз при формировании ФВ C(-) обязательно присутствует как минимум один

атом;

• 2)    атом характеризуется только координатами ФВ, которые независимо друг от друга опре-

• деляют его состояние;

• 3)    подразумевает, что каждая демонстрация приближается к реализации с помощью мо-

• лекул;

• 4)    неделим и неразложим.

В рамках формально расширенной задачи мерного синтеза знаний цель заключается в вычислении координатных РФВ:

[Vi(^),Ki(Hi),Ci(^),Bi(Gi)], iel = {1,2 и}, синтетической ФВ:

[V(-),K(H),C(-),B(G)], исходя из имеющихся данных, при соблюдении установленных ограничений.

• ^{r         G} = ⁿiei ^Gi^,H = ⁿie/ ^Hi^;

YVX = n ie/ X i e B(G)C(X) П niei C i X i = 0.

Это актуально при условии соблюдения определенных принципов, на которых основывается согласование.

Рассмотрим условия, при которых возможно согласование. Предполагается, что каждый элемент атомной решетки T (G) можно представить как результат операции декартового произведения координатных полей выбора.

Ввиду многогранности понятий атомной решетки каждая функция ФВ [D(-),ML(G)] неразрывно связана с наличием собственной функции согласования.

Если получена функция согласования [D(-), ML(G)]:

• - синтетическая РФВ [V(-),K(H),C(-),B(G)] представляет собой синтез координатных РФВ {[V i (-),K i (H i ),C i (-),B i (G i )],i e 1} с функцией согласования [D(-),M(G)], если C(-) совпадает с D(-) на молекулах и выполнены условия (18);

• – в случае зафиксированной атомной решетки, при соблюдении определенных критериев (18), то синтетическая РФВ [V(-),K(H),C(-),B(G)] является синтезом координатных РФВ [V i (-),K i (H i ),C i (-),B i (G i )],ie/.

Важно подчеркнуть, что в рамках расширенной прямой задачи синтеза С(0 помимо функции потерь также требуется определить отображение V (•).

Если задано T £ К ; (Н ; ), представляющее собой покрытие Н ; , i. 6 I, тогда множество П ; _6/Т {5:5 = П ье/ 5 ; , 5 ; 6 T ; ,i 6 I}, элементы которого представляют собой атомы, а их объединения -молекулы.

Тогда П ; _6/ T S -решетка, если П ; _6/ T £ К(Н).

Пусть M представит собой совокупность всех молекул М(П ; _е ; T).

Полагаем, что ML(G) £ B(G).

Предположим, что соблюдены следующие условия:

• 1)    V(5) = n_ie / V_i(5_i),C(V(5)) = П ;_е/ад (5 ; )) V5 = П ;6/ 5 ; 6 П ;6/ Т;

• 2)    координатные ФВ С;О, i 6 I обладают свойством строгого наследования.

В этом случае речь идет о синтетической РФВ [V(^),K(H),C(^),S(G)], где аддитивное отображение М(П ; _6/ T) реализуется на монотонной основе V0.

В свою очередь, ФВ СО, отвечающая требованию строгих правил наследования, может быть восстановлена с неизменным отношением к параметру М(П ; _6/Т).

Чтобы создать синтетическую РФВ, нужно выполнить ряд последовательных [15] действий (алгоритм 3).

Шаг 1. Представить значения V(^) атомов как результат перемножения координатных представлений V j (O, а для молекул - суммировать эти значения по аддитивному принципу.

Шаг 2. Определить величины С(V(•)) для каждой двухатомной молекулы и составить рейтинг их приоритетности R.

Шаг 3. Выбрать набор индексов, соответствующий заданной входной ситуации на основе ее характеристик/(5). Тогда С(V(5)) =U C(V(5j)).

JPD

Обратная задача синтеза знаний (ОЗСЗ)

В рамках ОЗСЗ используются заранее определенные синтетические знания, отображаемые синтетической ФВ СО в разделе выбора B(G)), а также условия согласования D (•), выраженные в виде ФВ согласования или требований к молекулярному набору ML(G), представленному в поле выбора.

В рамках определения необходимо рассматривать координатные представления знаний, предоставляемые ФВ С;О на B ; (G ; ), i 6 I. Задача синтеза знаний, с другой стороны, может быть трактована как разложение единой концепции выбора системы на ее составляющие элементы. Согласованное объединение этих элементов должно обеспечивать восстановление исходной концепции [15].

Базы координатных и синтетических знаний могут определяться, вообще говоря, произвольными ФВ. Функция же согласования DO на множестве молекул ML(G) поля выбора B(G) должна по своему содержательному смыслу удовлетворять некоторым минимальным требованиям.

Предположим, что сферы принятия решений по координатным знаниям B ; (G ; ) i 6 I охватывают проекции G ; на области выбора B(G) синтетических знаний:

B_i(G_i) 2 Pr_iB(G_i) = {КГ = Pr_;Z,Z 6 B(G)},Pr_;Z = Pr_G . Z.                            (19)

Молекулярный уровень D (•) выступает как основа для согласования. В этом контексте единицей измерения служит молекула D (•).

Цель ФВ DO - согласовывать концепцию С(Х) системы с концепциями С ; (Рг ; Х) подсистем.

Ранее было отмечено, что для выполнения функции DO согласования не подходят все функции, заданные на ML(G).

Допустимая функция D (•) должна, как минимум, соответствовать следующим требованиям:

D(СV(Х)) П С(Х *0 VX 6 ML(G).                                            (20)

Согласование концепций подсистем должно быть основано на выборе решений, которые находят общий язык у всех участвующих подсистем, хранящих координатные знания. В математическом выражении это правило выглядит как

D(X) £ U U QV) VX6ML(G).                                         (21)

Y6XMi6I

ФВ можно понимать как подход к управлению отдельными частями системы, обеспечивающий воплощение задуманной модели ее работы. Важно отметить, что подобный подход управления не всегда применяется.

Для достижения разрешимости ОЗСЗ и успешного формирования функций согласования рекомендуется сделать ряд функциональных возможностей (ФВ), отвечающих за определенные базы знаний, параметрическими. Параметр должен иметь широкий диапазон значений. В таком случае задача согласования трансформируется в задачу настройки подсистем, обеспечивающих воплощение общей концепции системы.

Решение ОЗСЗ, выраженное в виде ФВ, соответствует определенному ЛПР. После определения решения ОЗСЗ синтетическая ФВ заменяется механизмом коллективного принятия решений в рамках координатных областей выбора. Эффективность этого механизма напрямую зависит от уровня информированности участников и их способности к согласованным действиям.

Рассмотрим различные уровни осведомленности относительно предъявлений:

• 1)    максимальная , в рамках определенного уровня иерархии ЛПР совпадает с координатами ФВ, имеется возможность представления синтетической ФВ и, при решении расширенной задачи, также и набора [V j (X), i Е I];

• 2)    средняя , в определенный момент времени ЛПР обладает информацией о наборе проекций, отображающих глобальное представление (синтетическую ФВ), [Pr ^ X, i Е I] и, в случае расширенной задачи, набор [V j (X), i Е I];

• 3)    минимальная , в определенный момент ЛПР осознает проекцию всемирного представления и, если задача охватывает более широкий спектр V j (X).

Предполагается, что принятие решений по координатным функциональным возможностям будет осуществляться поэтапно, с возможностью обмена данными между участниками и главным разработчиком системы.

Это означает, что решение задачи оптимизации будет формироваться не только на основе осведомленности координатных ЛПР, но и благодаря взаимодействию между ними. Важно отметить, что конечный результат также будет зависеть от последовательности принятия решений координатными ЛПР.

Предположим, что ОЗСЗ:

• а)    в кооперативном варианте, где каждый локальный ПР, приняв решение, делится им и своими данными с остальными участниками;

• б)    если координационные решения принимаются без учета данных от других участников;

• в)    система функционирует автономно, когда нет передачи данных от главного конструктора к локальным ПР, отвечающим за координацию.

• г)    в случае централизованной структуры, когда главный конструктор передает данные координационным ЛПР.

Далее будут представлены результаты исследования решений ОЗСЗ, обладающих разными типами информационной организации.

Заключение

В настоящее время для принятия ответственных решений применяются комплексные подходы, объединяющие неформальные знания экспертов, формальные логические конструкции и математические алгоритмы. Системы, поддерживающие принятие решений и экспертные системы, имитируют работу одного специалиста в конкретной области. Однако для разрешения сложных задач, затрагивающих экономику, технику или социальные сферы, часто необходимы знания и опыт целой группы специалистов, обладающих компетенциями в разных областях. Решение сложных задач, которые не под силу одному, даже очень талантливому, специалисту, требует коллективного интеллекта, при этом попытки перепоручить такие задачи различным ботам и нейросетевым моделям приносят прямо противоположный результат. Для эффективного функционирования консилиумов и координационных советов, принимающих групповые решения, необходимы совершенствование существующих процедур и, что особенно важно, научная и техническая база для обогащения и синтеза знаний. Представленные в этой статье задачи и алгоритмы служат фундаментом для создания такой технологии.

Далее будет проанализирована возможность создания систем синтеза знаний, представляющих собой сети согласованных экспертных систем. Эти системы смогут не только имитировать решения гениальных индивидуумов, но и воспроизводить коллективные решения экспертов, обладающих разным опытом в разных сферах сложных проблем. Слияние и интеграция сетей экспертных систем, каждая из которых специализируется на узкой области и охватывает определенный регион, в единую глобальную сеть может стать ключевым фактором в усилении интеллектуальных возможностей человечества и облегчении процесса поиска компромиссных решений на глобальном уровне.