Maģistra darbs "Apmācību ekspertsistēmu salīdzinošā analīze"

Rēzeknes Augstskola
Inženieru fakultāte
DATORZINĀTŅU UN MATEMĀTIKAS KATEDRA

APMĀCĪBU EKSPERTSISTĒMU
SALĪDZINOŠĀ ANALĪZE

Maģistra darbs

Inna ZORINA,
RA Inženieru fakultātes
2.līmeņa profesionālās
augstākās izglītības
maģistra studiju programmas
„Datorsistēmas”
pilna laika studiju
2.kursa maģistrante,
***********

…………………………………………
(paraksts)

Katedras vadītājs, doc. *********

…………………………………………
(paraksts)

Maģistra darba vadītājs,
Dr.sc.ing. profesors, ************
…………………………………………
(paraksts)

Maģistra darba recenzents
…………………………………………
(paraksts)

Rēzekne
2009

ANOTĀCIJA
Maģistra darba nosaukums: „Apmācību ekspertsistēmu salīdzinošā analīze”.
Apmācību ekspertsistēmas nosaukums: „Kvalitātes vadības sistēmas ieviešana uzņēmumā”.
Maģistra darba autors: Inna Zorina
Maģistra darba vadītājs: **************
Maģistra darba mērķis ir aprakstīt esošas ekspertsistēmas, to izstrādes etapus un metodoloģiju, salīdzināt pēc autora piedāvātiem kritērijiem apmācību ekspertsistēmas, kā arī piedāvāt apmācību ekspertsistēmas prototipu „Kvalitātes vadības sistēmas ieviešana uzņēmumā”, kurš balstās uz ISO 9001:2000 standartu.
Izvirzītais mērķis ir sasniegts un uzdevumi ir izpildīti. Ir sagatavota prototipa izstrādes koncepcija un metodoloģija.
Atslēgas vārdi: ekspertsistēma, zināšanu inženierija, eksperts, prototips, kvalitātes vadība.
Maģistra darbs satur 77 lappuses un sastāv no 2 nodaļām, ievada, secinājumiem un priekšlikumiem, 10 attēliem, 6 tabulas un izmantoti 20 informācijas avoti.

ABSTRACT
Master Thesis: „Comparative analysis of Learning Expert systems”.
Title of Learning Expert system: „Quality management system implementation in organization”.
Master Thesis author: Inna Zorina
Master Thesis manager: ***********
Master Thesis’s goal is to describe expert systems, its stages of development and methodology, compare learning expert systems by criteria, given by author and offer expert systems prototype „Quality management system implementation in organization”, that based on ISO 9001:2000 standards requirements.
The goal of Master Thesis is achieved and all objectives are completed. Author prepared prototype’s development concept and methodology.
Key words: expert system, knowledge engineering, expert, prototype, quality management.
Master Thesis consists of 77 pages and includes 2 chapters, introduction, conclusions and suggestions, 10 figures, 6 tables and 20 sources of information.

SATURS
Anotācija
Ievads 6
1. Ekspertsistēmu attīstība, izstrāde un pielietojums. 8
1.1. Ekspertsistēmu vēsture, to struktūras un izstrādātāji. 8
1.2. Ekspertsistēmas izveides un ekspluatācijas dalībnieku sastāvs un mijiedarbība. 14
1.2.1. Zināšanu organizācija datu bāzē. 17
1.2.2. Risinājumu meklēšanas metodes ekspertsistēmās. 19
1.3. Ekspertsistēmu pielietojums. 21
1.3.1. Ekspertsistēmu pielietošanas priekšrocības. 24
1.3.2. Ekspertsistēmu atšķirība no tradicionālām programmām. 25
1.3.3. Ekspertsistēmas priekšrocības, salīdzinot ar cilvēku-ekspertu. 27
1.4. Ekspertsistēmu izstrādes posmi un tehnoloģija. 28
1.5. Ekspertsistēmu izstrādes problēmas. 32
1.6. Pirmo ekspertsistēmu raksturojums. 34
1.6.1. MYCIN sistēma. 34
1.6.2. STRIPS sistēma. 37
1.6.3. Apmācību ekspertsistēma VIPES. 38
2. Apmācību ekspertsistēmas izstrādes koncepcija. 41
2.1. Dialoga organizācijas principi apmācību ekspertsistēmās. 45
2.2. Apmācību ekspertsistēmu Unimath un GURU salīdzināšanas kritēriji. 46
2.4. „Kvalitātes vadības sistēmas ieviešana uzņēmumā” apmācības ekspertsistēmas prototipa izstrādes koncepcija. 48
2.4.1. Identifikācijas etaps. 49
2.4.2. Koncepta izstrādes etaps. 51
2.4.3. Formalizācijas etaps. 62
2.4.4. Apmācību ekspertsistēmas prototipa struktūra. 64
2.4.5. Sistēmas darbības shēma. 66
2.4.6. Izpildes etaps. 70
2.4.7. Eksperimentālās ekspluatācijas etaps. 71
2.4.8. Testēšanas etaps. 71
2.5. Programmnodrošinājuma izstrādes kvalitatīvais aspekts. 72
2.5.1. Kvalitātes kontrole. 73
2.6. Prototipa izstrādes problēmu un risku apraksts. 74
Secinājumi un rekomendācijas. 78
Izmantoto avotu un literatūras saraksts 80

Ievads

Maģistra darba tēma ir apmācību ekspertsistēmu salīdzinošā analīze, kurai ir teorētisks raksturs. Šī tēma tika izvēlētā tāpēc, ka ekspertsistēmas ieinteresēja ar savu izstrādes metodoloģiju un risināmajiem uzdevumiem. Ekspertsistēmu mērķu sasniegšanas rezultāts ir ļoti svarīgs un aktuāls daudzās zinātniskajās nozarēs. Šādu sistēmu izstrādē piedalās konkrētas nozares eksperti – zinātnieki un informācijas apstrādes speciālisti, apkopojot un apvienojot savas zināšanas un pieredzi.
Ekspertsistēma – datorprogramma, kas spēj aizstāt cilvēku – ekspertu noteiktu uzdevumu risināšanā, operējot ar zināšanām noteiktajā nozarē ar mērķi gūt rekomendācijas un problēmas risinājumu [1, 19].
Ekspertsistēmas radās kā praktisks rezultāts mākslīgā intelekta pielietojuma un izpētes metožu attīstībā.
Mākslīgā intelekta joma jau ilgu laiku tiek attīstīta. Un no paša sākuma tajā tika izskatīti diezgan sarežģīti uzdevumi, kuri arī līdz šim brīdim ir pētījumu objekti: teorēmu automātiskais pierādījums, tulkošana, attēlu atpazīšana, robotu darbību plānošana un citas.
Ekspertsistēmas (turpmāk – ES) izpilda eksperta funkcijas, risinot uzdevumus kādā konkrētā sfērā. Tās dot padomus, analizē, konsultē, diagnosticē. ES praktisks pielietojums uzņēmumos paaugstina darba efektivitāti un speciālistu kvalifikāciju.
Galvenā ES priekšrocība ir iespēja uzkrāt zināšanas un ilgstoši tās uzglabāt. Atšķirībā no cilvēka, ES ir objektīva pieeja jebkurai informācijai, kas uzlabo veicamās analīzes kvalitāti. Risinot uzdevumus, kuriem nepieciešams apstrādāt datus lielos apjomos, kļūdas rašanas varbūtība ir ļoti maza.
Veidojot ES, rodas arī vairāki šķēršļi. Tas, pirmkārt, ir saistīts ar to, ka pasūtītājs ne vienmēr var konkrēti noformulēt savas prasības izstrādājamajai sistēmai. Arī ir iespējami psiholoģiskā rakstura sarežģītības: veidojot sistēmas zināšanu bāzi, cilvēks – eksperts var traucēt savu zināšanu nodošanu, baidoties, ka ar laiku viņu aizstāvēs dators. Taču bailes nav pamatotas, jo ES neprot mācīties un tām nav intuīcijas.
Ekspertsistēma sastāv no:
• zināšanu bāzes (sistēmas daļa, kurā atrodas fakti);
• ievada apakšsistēmas (noteikumu kopums, pēc kuriem tiek risināti uzdevumi);
• paskaidrojumu apakšsistēmas;
• zināšanu ieguves apakšsistēmas;
• dialogu procesora.
Ekspertsistēma var pilnīgi uzņemties izpildīt funkcijas, kuru realizācijai parasti ir nepieciešama speciālista pieredze, kā arī būt par asistentu cilvēkam, kurš pieņem lēmumus.
Citiem vārdiem sakot, sistēma (tehniskā vai sociālā), kurai nepieciešams lēmums, var to saņemt tieši no programmatūras, bet var arī no cilvēka, kas strādā ar šo programmu. Tas, kas pieņem lēmumu, var būt speciālists ar savām zināšanām, un šajā gadījumā ekspertsistēma tikai attaisnos savu eksistenci ar rezultātiem un paaugstinās darba efektivitāti. Kopumā, pareiza funkciju sadale starp cilvēku un mašīnu ir viena no svarīgākajām koncepcijām, paaugstinot ekspertsistēmu efektivitāti ieviešanas un uzturēšanas laikā.
Ekspertsistēmas atšķiras no datu apstrādes sistēmām ar to, ka tajās, galvenokārt, tiek izmantotas simboliskās (nevis ciparu) attēlošanas metodes, simbolisks izvads un risinājuma heiristiskā meklēšana (nevis zināma algoritma izpilde).
Ekspertsistēmas tiek pielietotas, lai atrisinātu praktiski sarežģītus uzdevumus. ES risinājumi ir skaidri, tas ir, var tik paskaidroti lietotājam kvalitatīvā līmenī. Šī ekspertsistēmu īpašība tiek panākta ar ES spēju veikt spriedumus par savām zināšanām un secinājumiem. Sadarbojoties ar ekspertu, ekspertsistēmas spēj papildināt savas zināšanas.
Nepieciešams atzīmēt, ka dotajā brīdī ekspertsistēmu tehnoloģija tiek izmantota dažādu tipu uzdevumu risināšanā (interpretācija, prognozēšana, diagnostika, plānošana, konstruēšana, kontrole, atkļūdošana, instruktāža, vadība) visdažādākajās sfērās, tādās kā finanses, naftas un gāzes rūpniecība, enerģētika, transports, farmaceitiskā rūpniecība, kosmoss, metalurģija, ķīmija, izglītība, telekomunikācijas, sakari un citi.
Darba mērķis ir atrast un apkopot informāciju par esošām ekspertsistēmām, par to izstrādes principiem un metodoloģiju, kā arī salīdzināt pēc piedāvātiem kritērijiem apmācību ekspertsistēmas.
Darba mērķis praktiskajā nozīmē ir piedāvāt apmācību ekspertsistēmas prototipu „Kvalitātes vadības sistēmas ieviešana uzņēmumā”, kurš balstās uz ISO 9001:2000 standartu. Šis ekspertsistēmas prototips palīdzētu ieviest uzņēmumā kopējo kvalitātes vadības sistēmu.
Darba uzdevumi ir:
o Apkopot un analizēt informāciju par ekspertsistēmu izstādes tehnoloģijām un metodoloģiju, kā informācijas avotu izmantot grāmatas un interneta resursus;
o Izstrādāt apmācību ekspertsistēmas prototipa „Kvalitātes vadības sistēmas ieviešana uzņēmumā” balstoties uz ekspertsistēmu izstrādes posmiem un tehnoloģiju;
o Izstrādāt salīdzināšanas kritērijus apmācību ekspertsistēmām;
o Sagatavot secinājumus un priekšlikumus.

1. Ekspertsistēmu attīstība, izstrāde un pielietojums.
1.1. Ekspertsistēmu vēsture, to struktūras un izstrādātāji.

Pazīstamākas ekspertsistēmas, kuras tika izstrādātas 1960. – 1970. gados, kļuva par klasiskām savās jomās. Ekspertsistēmas var iedalīt saimēs pēc to izcelsmes, priekšmetu telpām, metodēm un instrumentāliem līdzekļiem:
1. META-DENDRAL. DENDRAL sistēma ļauj noteikt ar lielu varbūtību ķīmiskā savienojuma struktūru pēc eksperimentāliem datiem (spektrogrāfija, magnētiskās rezonanses dati). META-DENDRAL automatizē zināšanu uzkrāšanos priekš DENDRAL. Tā ģenerē ķīmisko struktūru fragmentu uzbūves noteikumus.
2. MYCIN – EMYCIN – TEIREIAS – PUFF – NEOMYCIN. Tās ir medicīnisko ekspertsistēmu kopums. CASNET sistēma ir domāta acu slimību diagnosticēšanai un ārstēšanas rekomendāciju sniegšanai. Uz šīs sistēmas pamata ir izstrādāta zināšanu inženierijas valoda EXPERT, ar kuras palīdzību ir veidota virkne citu diagnosticējošo medicīnisko sistēmu.
3. PROSPECTOR – KAS. PROSPECTOR – ir domāta derīgo izrakteņu meklēšanai uz ģeoloģisko analīžu pamata. KAS – zināšanu ieguves sistēma priekš PROSPECTOR.
4. EURISCO – ir viena no interesantākām apmācību ekspertsistēmām, kuru izstrādāja D.Lenats un kura izmanto vienkāršākas heiristikas. Šī sistēma ir aprobēta spēlē, kara darbību imitācijā. Spēles būtība ir tāda, ka ir nepieciešams noteikt flotiles sastāvu, kura būru spējīga veikt sakāvi nemainīgo noteikumu daudzuma apstākļos.

1980.gadu sākumā mākslīgā intelekta pētījumos formējas patstāvīgs virziens, kura nosaukums bija „ekspertsistēmas” [5].
Ekspertsistēmu izpētes mērķis ir programmu izstrāde, kuras, risinot uzdevumus – sarežģītus ekspertam-cilvēkam, saņem risinājumu, kurš pēc kvalitātes un efektivitātes ir labāks, nekā tas, kuru sniedz eksperts.
Pētnieki ekspertsistēmu jomā bieži lieto terminu „zināšanu inženierija”.
Programmlīdzekļi, kas bāzējas uz ekspertsistēmu tehnoloģijas, tika plaši izplatītas pasaulē.
Ekspertsistēmu svarīgums ir sekojošs:
• Ekspertsistēmu tehnoloģija būtiski paplašina praktiski svarīgu uzdevumu loku, kuri tiek risināti ar datoru palīdzību, un kuru risinājums dot zināmu ekonomisku efektu;
• ES tehnoloģija ir svarīgākais līdzeklis tradicionālās programmēšanas globālo problēmu risināšanā, līdz ar to augsta sarežģītu pielikumu izstrādes;
• Sarežģītu sistēmu uzturēšanas augstas izmaksas, kuras var arī pārsniegt izstrādes izmaksas, zems programmas atkārtotas izmantošanas līmenis;
• Apvienojot ES tehnoloģijas un tradicionālās programmēšanas tehnoloģijas, programmas tiek papildinātas ar jaunām īpašībām: dinamisko modifikāciju var veikt lietotājs, nevis programmētājs; pielikumu caurspīdīgums; labāka grafika, saskarne un mijiedarbība.

Ekspertsistēmas ir domātas tā saucamiem neformalizētiem uzdevumiem, tas ir, ES nenoraida un neaizvieto tradicionālu programmu izstrādes pieeju, kuras ir orientētas uz formalizēto uzdevumu risināšanu.

Neformalizētiem uzdevumiem ir sekojošas īpašības:
• sākuma datu kļūdainība, ne viennozīmīgums, nepilnība un pretrunība;
• zināšanu kļūdainība, ne viennozīmīgums, nepilnība un pretrunība par problēmas sfēru un risināmo uzdevumu;
• risinājumu telpa ir ļoti plaša, tas nozīmē, ka nepieciešams ilgi meklēt korektu risinājumu no visiem iespējami esošiem.

Tipiskā statiskā ekspertsistēma sastāv no sekojošām pamata komponentēm (skat. 1.1.1.attēlu):

1.1.1.att. Statiskās ekspertsistēmas struktūra.

Dota tipa ekspertsistēmas tiek izmantotas tādos pielikumos, kur var neievērot apkārtējas vides izmaiņas, kuras notiek uzdevuma risināšanas laikā. Pirmās ekspertsistēmas, kurām bija praktisks pielietojums, bija statiskās.

• Darba atmiņa, tā saucamā datu bāze:
Datu bāzē (darba atmiņa) tiek glabāti sākuma dati un risinājumā uzdevuma starprezultāti. Šis termins pēc nosaukuma sakrīt, bet ne pēc būtības, ar datu bāžu vadības sistēmu terminu, kurš apzīmē visus datus, kas glabājās sistēmā.
• Zināšanu bāze;
Zināšanu bāze ekspertsistēmās ir paredzēta ilglaicīgu (nevis tekošo) datu glabāšanai, kuri apraksta pētāmo jomu, kā arī noteikumu glabāšanai, kuri apraksta jebkādus pārveidojumus dotajā jomā jeb sfērā.
Tā ir ļoti svarīga ekspertsistēmas komponente, uz kuras ir pamatotas tās „intelektuālās spējas”. Atšķirībā no pārējām komponentēm, zināšanu bāze ir mainīga sistēmas daļa, kura var tikt papildināta un modificēta, kā arī uzkrāt zināšanas konsultācijas (darba) laikā.
Pastāv vairākas zināšanu organizācijas ekspertsistēmās metodes, taču kopīgs tām ir tas, ka zināšanas ir organizēti simboliskā formā (zināšanu organizācijas elementāras komponentes ir teksti, saraksti un citās simboliskās struktūras).
Līdz ar to, ekspertsistēmās tiek realizēts simboliskās dabas spriedumu princips, kurš pēc būtības ir simbolisku pārveidumu virkne.
Izplatītākā zināšanu organizācijas metode ir konkrētu faktu un noteikumu apkopojums, pēc kuriem no esošiem faktiem var tikt iegūti jauni [7].
Fakti varētu būt organizēti triju parametru veidā:
1. ATRĪBŪTS;
2. OBJEKTS;
3. VĒRTĪBA.

Tāds fakts nozīmē, ka uzdotam objektam ir noteiktas īpašības ar noteiktām vērtībām. Piemēram, trīs parametri:
1. Temperatūra;
2. Pacients_1;
3. 37.5 .
Šāds fakts rāda, ka pacienta temperatūra, zem vārda Pacients_1, ir vienāda ar 37.5 .
Vienkāršākajos gadījumos fakts tiek atspoguļots ar nenoteiktām atribūta vērtībām, bet ar parastiem apgalvojumiem, kuri var būt patiesi vai aplami, piemēram: „Debesis ir apmākušas”. Tādos gadījumos faktu var apzīmēt ar īsu vārdu (piemēram, Apmācies), vai arī lietot fakta organizācijai pašu izteiksmi.

Noteikumu struktūra zināšanu bāzē izskatās sekojoši:
JA „A”, TAD „B”, kur A – nosacījums, B – izpilde.
Izpilde B tiek veikta, ja A ir patiess.
Bieži izpilde B, kā arī nosacījums, ir apgalvojums, un kas ir sistēmas secinājums (tas ir, kļūst zināms tai), ja nosacījums A ir patiess.
Noteikumi zināšanu bāzē kalpo heiristisko zināšanu organizācijai, tas ir, spriedumu neformāli noteikumi, kurus izstrādā eksperts, pamatojoties uz savas pieredzes konkrētajā sfērā.
Vienkāršs noteikuma piemērs no ikdienas:
JA debesis ir apmākušas, TAD drīz būs lietus.
Nosacījums A var būt fakts (kā dotajā piemērā), kā arī vairāki fakti A1, …, An , kas ir savienoti ar loģisku operāciju UN:
A1 UN A2 UN …UN An.

Matemātiskajā loģikā šāds izteiciens tiek saukts par konjunkciju. Šis izteiciens ir patiess tajā gadījumā, ja ir patiesi visas tā komponentes.
Iepriekšēja noteikuma piemērs ar sarežģītāku nosacījumu:
JA debesis ir apmākušas UN barometra rādītāji krīt,
TAD drīz būs lietus. (Noteikums 1).

Darbības, kuras ir noteikumu sastāvā, var saturēt jaunus faktus. Pielietojot šādus noteikumus, sistēmai kļūst zināmi šie fakti, tas ir, tiek pieskaitīti faktu kopai. Piemēram, ja fakti „Debesis ir apmākušas” un „Barometra rādītāji krīt” jau eksistē faktu kopā, tad pēc augšminēta noteikuma izmantošanas, faktu kopā tiks papildināta ar faktu „Drīz būs lietus”.
Ja sistēma nevar izsecināt kādu faktu, kura patiesību vai aplamību ir jānoskaidro, tad sistēma par to jautā lietotāju. Piemēram:
vai ir PATIESS ir fakts, ka debesis ir apmākušas?
Ja tiek saņemta pozitīva atbilde, tad fakts „Debesis ir apmākušas” tiek ieslēgts faktu kopā.
Šādas sadarbības gaitā tiek papildina faktu kopa. Līdz ar to, ekspertsistēma var vēlāk sniegt detalizētu noteikumu izpildes rezultātu.
Dinamiskā zināšanu bāze mainās ar laiku. Tās saturs ir atkarīgs no ārējas vides stāvokļa. Jaunie fakti, ar kuriem tiek papildināta zināšanu bāze, ir rezultāts, kuru sniedz noteikumu pielietojums esošiem faktiem.
Sistēmās ar monotonu izvadu, fakti, kas glabājas zināšanu bāzē, ir statiski – netiek mainīti uzdevuma risināšanas gaitā.
Sistēmās ar nemonotonu izvadu ir iespējams mainīt vai dzēst faktus no zināšanu bāzes. Par sistēmas piemēru ar nemonotonu izvadu var būt ekspertsistēma, ar kuras palīdzību tiek sastādīts uzņēmuma kapitālieguldījumu perspektīvas plāns.
Šajā sistēmā pēc vēlēšanās var būt mainīti arī tādi dati, kuri pēc izvada jau izsauca kaut kādu noteikumu izpildi – ir iespējams modificēt atribūtu vērtības faktu sastāvā, kuri atrodas darba atmiņā.
Pēc faktu izmaiņas ir nepieciešams dzēst no zināšanu bāzes arī spriedumus, kuri tika iegūti agrāk. Līdz ar to izvads tiek veikts atkārtoti, lai varētu pārlūkot tos risinājumus, kas tika saņemti pēc faktiem, kuri tika modificēti.

• Zināšanu ieguves komponentes:
Zināšanu ieguves komponente automatizē ekspertsistēmas zināšanu uzkrāšanas procesu, kuru realizē lietotājs – eksperts.

• Paskaidrojumu komponente:
Paskaidrojumu komponente izskaidro, kā sistēma ieguva uzdevuma risinājumu (vai arī kāpēc to nav ieguvusi) un kādas zināšanas tā pielietoja. Pateicoties tam, ekspertam tiek atvieglota sistēmas testēšana un tiek paaugstināta ticība iegūtam rezultātam.

• Dialoga komponente:
Dialoga komponente tiek orientēta uz draudzīgas saskarnes organizāciju ar lietotāju uzdevuma risināšanas laikā, zināšanu ieguves procesā un darba rezultātu paskaidrošanā.

1.1.2.att. Dinamiskās ekspertsistēmas struktūra.

1.1.2.attēlā ir redzama dināmiskās ekspertsistēmas struktūra. Salīdzinājumā ar statisko ekspertsistēmu, te tiek ievadītas divas komponentes: ārējas vides modelēšanas apakšsistēma un saistību ar ārējo vidi apakšsistēma. Pēdēja realizē saskarsmi ar ārējo vidi ar adapteru sistēmas un kontrolleru palīdzību.

1.2. Ekspertsistēmas izveides un ekspluatācijas dalībnieku sastāvs un mijiedarbība.

Iepazīstoties ar ekspertsistēmām, to struktūru un izstrādes posmiem, lietderīgi aprakstīt, kas piedalās tās izveidē un ekspluatācijā.
Ekspertsistēmu izstrādē piedalās sekojošo specialitāšu pārstāvi:
• Eksperts problēmas sfērā, kuras uzdevumus risinās ekspertsistēmas.
Eksperts nosaka zināšanas (datus un noteikumus), kuras raksturo problēmas jomu, nodrošina ievadīto ekspertsistēmā zināšanu pilnību un korektumu.
• Zināšanu inženieris – ekspertsistēmas izstrādātājs – speciālists (viņa izmantoto tehnoloģiju un metodes sauc par zināšanu inženierijas tehnoloģiju).
Zināšanu inženieris palīdz ekspertam noteikt un strukturizēt zināšanas, kuras ir nepieciešamas ekspertsistēmas darbam. Izvēlas instrumentālo līdzekļi, kas visvairāk ir piemērots dotai problēmas jomai, un nosaka zināšanu organizāciju šajā līdzeklī; izdala un programmē (ar tradicionāliem līdzekļiem) standarta funkcijas (tipiskas dotai problēmu jomai), kuras tiks izmantotas noteikumos, kurus ievadīs eksperts.
• Programmētājs jeb instrumentālo līdzekļu izstrādātājs, kas izstrādā līdzekļus, kuri ir paredzēti ekspertsistēmas izstrādes gaitas paātrināšanai.
Pamata dalībnieku skaitam ir nepieciešams pieskaitīt arī pati ekspertsistēmu, ekspertus, zināšanu inženierus, ekspertsistēmas izveides līdzekļus un lietotājus. To pamata lomas un to mijiedarbība ir redzami 1.2.1.attēlā:

1.2.1.att. Lietotāju lomas un mijiedarbība.

Ekspertsistēma – programmnodrošinājums, kurš izmanto ekspertu zināšanas, tiek lietots augstās efektivitātes uzdevuma risinājuma iegūšanai lietotāja interesējošā priekšmetu sfērā. Šīs programmnodrošinājums tiek saukts par sistēmu, nevis vienkārši par programmu, jo satur zināšanu bāzi, problēmas risinātāju un uzturēšanas komponenti. Šī komponente palīdz lietotājam sadarboties ar pamatprogrammu.
Eksperts – cilvēks, kurš ir spējīgs skaidri izteikt savas domas un kuram ir laba speciālista reputācija. Cilvēks, kas prot konkrētajā priekšmetu telpā atrast pareizus problēmu risinājumus. Eksperts pielieto savas metodes un pieredzi, lai risinājuma meklēšana būtu efektīvākā, un ekspertsistēma modelē visas viņa stratēģijas.
Zināšanu inženieris – cilvēks, kurš ir labi izglītots informātikā un mākslīgā intelekta jomā un zina, kā ir jāizveido ekspertsistēma. Zināšanu inženieris apjautā ekspertus, strukturizē zināšanas, lemj, kādā veidā tās tiks organizētas ekspertsistēmā, kā arī var palīdzēt programmētājam realizēt programmu.
Ekspertsistēmas izveides līdzeklis – ir programmlīdzeklis, kuru izmanto zināšanu inženieris vai programmētājs ekspertsistēmas izveidei. Šīs līdzeklis atšķiras no parastām programmēšanas valodām ar to, ka nodrošina ērtus paņēmienus aprakstīt sarežģītus, augsta līmeņa jēdzienus.
Lietotājs – cilvēks, kurš izmanto jau gatavu, izveidotu ekspertsistēmu. Tā, lietotājs var būt jurists, kas izmanto ES konkrēta gadījuma kvalifikācijai; students, kam ES palīdz apgūt informātiku un tamlīdzīgi. Termins – lietotājs – nav viennozīmīgs. Parasti tas apzīmē gala lietotāju. Bet no 1.2.1. attēla var secināt, ka lietotājs var būt:
• Instrumentālo līdzekļu izstrādātājs, kas atkļūdo ekspertsistēmas izveides līdzekļus;
• Zināšanu inženieris, kas precizē esošus ekspertsistēmā zināšanas;
• Eksperts, kas papildina ekspertsistēmu ar jaunām zināšanām;
• Informācijas papildinātājs, kas ienes sistēmā tekošu informāciju.

Svarīgi atšķirt līdzekļi, kas tiek izmantots ekspertsistēmas izveidei un pati ekspertsistēmu. ES izveides līdzeklis ietver valodu, kura tiek lietota piekļuvei zināšanām, kas atrodas sistēmā, kā arī uzturēšanas līdzekļus – programmas, kuras palīdz lietotājiem sadarboties ar ekspertsistēmas komponenti, kura atbild par problēmas risinājumu.
Ir jāatzīmē to, ja ekspertsistēmas izstrādātāju vidū trūkst zināšanu inženieri, kurus bieži aizvieto ar programmētājiem, tad ekspertsistēmas izveides process cieš neveiksmi vai arī būtiski ieilgst.
Ekspertsistēma strādā divos režīmos: zināšanu ieguves režīmā un uzdevuma risināšanas režīmā (tiek saukts arī par konsultācijas režīmu vai arī ekspertsistēmas izmantošanas režīmu).
Zināšanu ieguves režīmā (skat. 1.2.2.attēlu) saskarsmē ar ekspertsistēmu (starpnieks ir tikai zināšanu inženieris) piedalās eksperts. Šajā režīmā eksperts, izmantojot zināšanu ieguves komponenti, papildina sistēmu ar zināšanām, kuras ļautu ekspertsistēmai risināšanas režīmā patstāvīgi (bez eksperta) risināt uzdevumus no problēmas jomas. Eksperts apraksta problēmas jomu datu un noteikumu kopas veidā. Dati nosaka objektus, to raksturojumu un vērtību, kas eksistē ekspertīzes jomā. Noteikumi nosaka datu manipulēšanas metodes, kas ir raksturīgas dotajā problēmas jomā.

1.2.2.att. Zināšanu ieguves shēma.

Konsultācijas režīmā saskarsmē ar ekspertsistēmu piedalās gala lietotājs, kuru interesē rezultāts un/vai tā ieguves metode. Atkarībā no ekspertsistēmas pielietojuma mērķa, lietotājs var arī nebūt speciālists dotajā problēmas jomā (šajā gadījumā lietotājs griežas pie ekspertsistēma pēc rezultāta, ja neprot iegūt to pats). Ja lietotājs tomēr ir speciālists un var pats iegūt rezultātu, bet griežoties pie ekspertsistēmas, viņš paātrina rezultāta iegūšanas procesu, vai arī liek ekspertsistēmai veikt rutīnas darbu [8].
Šajā režīmā dati par lietotāja uzdevumu, pēc to apstrādes ar dialoga komponenti, nonāk ekspertsistēmas darba atmiņā. Interpretators uz ieejas datu pamata no darba atmiņas, kopējiem datiem par problēmas jomu un noteikumiem no zināšanu bāzes, veido uzdevuma risinājuma.
Ekspertsistēmas sākumā veido operāciju secību risināmajam uzdevumam, un tikai tad izpilda tās. Ja sistēmas reakcija nav saprotama lietotājam, tad viņš var pieprasīt paskaidrojumu: „Kāpēc sistēma uzdeva šādu jautājumu?”, „Kā tika atrasta atbilde?” un tā tālāk.

1.2.1. Zināšanu organizācija datu bāzē.

Sistēmas intelektualitātes rādītājs, no zināšanu organizācijas puses, ir sistēmas spēja izmantot konkrētā momentā nepieciešamas (relevantas – jēdzieniski atbilstošas sistēmas uzdevuma risinājuma pieprasījumam) zināšanas [1, 201.].
Sistēmas, kurām nav līdzekļu šādu relevantu zināšanu noteikšanai, nonāk līdz „kombinatoriska sprādziena” problēmai. Var apgalvot, ka šī problēma ir viens no iemesliem ekspertsistēmu pielietošanas sfēras ierobežošanai.
Datu piekļūšanas problēmai ir trīs sekojoši aspekti:
1. datu un zināšanu saistīgums;
2. datu piekļuves mehānisms;
3. salīdzināšanas metodes.

Zināšanu saistīgums (agregācija) ir pamata metode, kura nodrošina relevanto zināšanu meklēšanas paātrinājumu. Vairums speciālistu ir pārliecināti, ka zināšanas nepieciešams organizēt, koncentrējot tos „ap” svarīgiem objektiem (būtībām) dotajā priekšmetu sfērā.
Visas zināšanas, kas raksturo kādu būtību, tiek sasaistīti un tiek atspoguļoti atsevišķa objekta veidā. Izmantojot šādu zināšanu organizāciju, ja sistēmai ir nepieciešama informācija par kādu būtību, tad tā meklē objektu, kurš apraksta šo būtību. Un tikai tad meklē informāciju pašā objektā.
Objektos lietderīgi atzīmēt divu veidu saites starp elementiem: ārējās un iekšējās.
Ārējās saites atspoguļo savstarpējo atkarību, kura pastāv starp objektiem ekspertīzes jomā.
Iekšējās saites apvieno elementus vienotā objektā un nodrošina objekta struktūras attēlošanai.
Daudzi pētnieki klasificē ārējās saites loģiskās un asociatīvas saitēs.
Loģiskās saites attēlo semantiskas attiecības starp zināšanu elementiem.
Asociatīvas saites nodrošina savstarpējas sakarības, kuras, savukārt, nodrošina relevanto zināšanu meklēšanas procesa paātrināšanu [9].
Strādājot ar lielu zināšanu bāzi, pamata problēma ir zināšanu meklēšana, kuras atbilst risināmajam uzdevumam. Bieži, apstrādājamos datos var arī nebūt norāžu uz vērtībām, kuras ir nepieciešamas to apstrādei. Tāpēc ir nepieciešams vispārīgs pieejas mehānisms, nevis tiešās pieejas metode (atklāto norāžu metode).
Šī mehānisma uzdevums ir tāds, ka, pēc kaut kāda būtības apraksta, kas atrodas darba atmiņā, būtu iespēja atrast attiecīgus objektus, kas atbilst šādam aprakstam.
Acīmredzami, ka zināšanu kārtošana un strukturēšana var būtiski paātrināt meklēšanas procesu.
Nepieciešamo objektu atrašana vispārīgā gadījumā izskatīt ka divu etapu procesu.
Pirmajā etapā, kad notiek izvēlēs process pa asociatīvām saitēm, tiek realizēta pirmā potenciālo objektu izvēle no zināšanu bāzes.
Otrajā etapā, salīdzināšanas operāciju izpildes gaitā, tiek realizēta meklējamo objektu beigu izvēle.
Veidojot šādu pieejas mehānismu rodas noteiktas sarežģītības: Kā izvēlēties meklējama objekta kritērijus? Kā organizēt darbu konflikta situācijās? Un tam līdzīgi.
Salīdzināšanas operācija var tikt izmantota ne tikai kā nepieciešama objekta izvēles līdzeklis, bet arī var tikt izmantota klasifikācijai, apstiprināšanai, dekompozīcijai un korekcijai.
Nepazīstama objekta identifikācija var notikt pēc tā salīdzināšanas ar zināmiem paraugiem. Tas ļauj klasificēt nepazīstamo objektu, ar kura palīdzību tika iegūti labāki rezultāti.
Salīdzināšanas operācijas ir dažādas. Parasti izdala to sekojošas formas: sintaksiskā, parametriskā, semantiskā un piespiedu salīdzināšanu.
Sintaksiskās salīdzināšanas gadījumā salīdzina formas (paraugus), nevis objektus. Salīdzināšana ir veikta veiksmīgi, ja rezultātā paraugi ir identiski. Parasti tiek pieņemts, ka viena parauga mainīgais var būt identisks cita objekta konstantai (vai izteikumam). Dažreiz parauga mainīgiem tiek izvirzītas prasības, kas nosaka konstantu tipu, ar kuru tie var būt salīdzināti. Sintaksiskās salīdzināšanas rezultāts ir binārs: paraugi ir salīdzināmi vai nav.
Parametriskajā salīdzināšanas būtība ir sekojoša. Tiek ievadīts parametrs, kas nosaka salīdzināšanas pakāpi.
Semantiskās salīdzināšanas gadījumā, tiek salīdzināti objektu funkcijas, nevis objektu paraugi.
Piespiedu salīdzināšana gadījumā – viens objekts tiek pētīts pēc zināma objekta datiem. Atšķirībā no citām salīdzināšanas formām, šeit vienmēr tiek saņemts tikai pozitīvs rezultāts. Piespiešanu var realizēt speciālas procedūras, kas saistītas ar objektiem. Ja šīs procedūras nevar veikt salīdzināšanu, tad sistēma paziņo, ka salīdzināšana var būt veiksmīga tikai tad, ja izskatāmo būtību noteiktas daļas var uzskatīt par salīdzināmajiem.

1.2.2. Risinājumu meklēšanas metodes ekspertsistēmās.

Priekšmetu telpas īpašības no risinājuma metožu skatupunkta var raksturot ar sekojošiem parametriem:
• lielums, kurš apraksta telpas apjomu, kurā tiek paredzēts meklēt risinājumu;
• sfēras mainīgums, raksturo kādā pakāpē šī sfēra mainās laikā un telpā (statiskās un dinamiskās sfēras);
• modeļa pilnīgums, kurš apraksta sfēru un raksturo modeļa adekvātumu. Parasti, ja modelis nav pilnīgs, tad sfēras aprakstam izmanto vairākus modeļus, kas papildina viena otru, attēlojot dažādas sfēras īpašības;
• datu noteiktība par risināmo uzdevumu, raksturo datu precizitātes (kļūdainības) un pilnīguma (nepilnīguma) pakāpi. Precizitāte (kļūdainība) ir rādītājs tam, ka priekšmetu sfēra ir aprakstīta ar precīziem vai kļūdainiem datiem. Zem datu pilnības (nepilnības) tiek saprasts – ieejas dati ir pietiekoši (nepietiekoši) viennozīmīgam datu risinājumam.

Lietotāja prasības uzdevuma rezultātam, kurš tiek risināts ar meklēšanas palīdzību, var raksturot ar risinājumu daudzumu un rezultāta īpašībām, kā arī ar tā iegūšanas metodēm.
Parametram „risinājumu daudzums” var būt sekojošas vērtības: viens risinājums, vairāki risinājumi un visi risinājumi.
Parametrs „īpašības” nosaka ierobežojumus, kuriem būs atbilstīgs iegūtais rezultāts vai tā iegūšanas metode. Tā, piemēram, sistēmai, kura dot rekomendācijas slimo cilvēku ārstēšanai, lietotājs var izvirzīt prasību – neizmantot kādas zāles (ja tādu trūkst vai pacients tos nepārnes). Šis parametrs var arī noteikt tādas īpašības kā risināšanas laiks („neilgāk kā…”, „laika diapazons” utt.), atmiņas apjomu, ko izmanto rezultāta iegūšanai, norāde par obligātu (neiespējamu) zināšanu (datu) izmantošanu un tam līdzīgas īpašības.
Tātad, uzdevuma sarežģītība, kuru nosaka augšminēto parametru grupa, variējas no vienkāršākiem uzdevumiem (maziem ar nemainīgiem noteiktiem datiem, bez rezultāta ierobežojumiem un tā saņemšanas metodēm) līdz sarežģītiem – pēc apjoma lieliem ar mainīgiem nepilniem datiem ar patvaļīgiem rezultāta ierobežojumiem un iegūšanas metodēm.
No kopējiem apsvērumiem ir skaidrs, ka ar vienu jebkādu metodi atrisināt visus uzdevumus nav iespējams. Parasti, metodes ir pārākas pār citām tikai pēc noteiktiem parametriem.
Zemāk izskatītas metodes var strādāt statiskās un dinamiskās problēmu vidēs (sfērās). Lai tās strādātu dinamiskos nosacījumos, nepieciešams ievērot mainīgo vērtību „dzīves laiku”, datu avotu mainīgajiem, kā arī nepieciešams nodrošināt mainīgo vērtību vēstures uzglabāšanu un ārējās vides modelēšanu un laicīgo noteikumu kategoriju operēšanu.
Eksistējošās uzdevumu risināšanas metodes, kuras tiek izmantotas ekspertsistēmās, var klasificēt sekojoši:
• meklēšanas metodes vienā priekšmetu telpā – metodes, kuras ir paredzētas izmantošanai sekojošos nosacījumos: nelielas pēc apjoma sfēras, modeļa pilnīgums, precīzi un pilnīgi dati;
• meklēšanas metodes hierarhiskās priekšmetu telpās – metodes, kuras ir paredzētas izmantošanai lielās jomās, jeb sfērās.
• meklēšanas metodes, kad dati nav precīzi un nav pilnīgi;
• meklēšanas metodes, kuras izmanto vairākus modeļus. Šie modeļi ir paredzēti darbam sfērās, kuru adekvātam aprakstam viena modeļa ir par maz.

Tiek pieņemts, ka apskatāmas metodes nepieciešamības gadījumā var tikt apvienoti, lai risinātu uzdevumus, kuru sarežģītība pieaug vienlaicīgi ar vairākiem parametriem.

1.3. Ekspertsistēmu pielietojums.

Ekspertsistēmu pielietošanas sfēras, kas tiek bāzētas uz zināšanām, var tikt grupētas vairākās pamatklasēs: medicīniskā diagnostika, kontrole un vadība, mehānisko un elektrisko ierīču defektu diagnostika, apmācība [11].
Un konkrēti par tām.
a) Medicīniskā diagnostika.
Diagnosticējošās sistēmas tiek pielietotas, lai varētu noteikt saiti starp organisma darbības traucējumiem un iespējamiem iemesliem. Vispazīstamākā diagnosticējoša sistēma ir MYCIN, kura ir paredzēta diagnostikai un pacienta stāvokļa sekošanai, slimojot ar meningītu un ar bakteriālām infekcijām. Tās pirmā versija tika izstrādāta Stenfordas universitātē 1970.gadu vidū. Dotajā brīdī šī sistēma nosaka diagnozi ārsta – speciālista līmenī. Sistēmai ir plaša zināšanu bāze, pateicoties kurai, tā var tikt pielietota arī citās medicīnas jomās.
CASNET sistēma ir domāta acu slimību diagnosticēšanai un ārstēšanas rekomendāciju sniegšanai. Uz šīs sistēmas pamata ir izstrādāta zināšanu inženierijas valoda EXPERT, ar kuras palīdzību ir veidota virkne citu diagnosticējošo medicīnisko sistēmu.
b) Prognozēšana.
Prognozēšanas sistēmas prognozē iespējamus rezultātus vai notikumus, pamatojoties uz datiem par tekošo objekta stāvokli. Sistēma „Volstrītas iekārošana” var izanalizēt tirgus konjuktūru un ar statisko metožu algoritmiem izstrādāt kapitālieguldījumu plānu uz perspektīvu. Tā netiek pieskaitīta sistēmām, kuras ir bāzētas uz zināšanām, jo izmanto tradicionālās programmēšanas procedūras un algoritmus. Taču tā vēl nav pilnībā izstrādāta. Prognozēšanas sistēmas šobrīd var paredzēt laika apstākļus, ražību un pasažieru plūsmu. Pat uz personālā datora uzstādot parastu sistēmu, kas tiek bāzēta uz zināšanām, var iegūt vietējo laika apstākļu prognozi.
c) Plānošana.
Plānošanas sistēmas tiek paredzētas konkrēto mērķu sasniegšanai, risinot uzdevumus ar lielu mainīgo skaitu. Damaskas uzņēmums „Informat” pirmo reizi tirgošanas praksē piedāvā saviem pircējiem 13 darba stacijas, kas ir izvietotas ofisa telpās, un uz kurām tiek 15 minūšu garas bezmaksas konsultācijas ar mērķi palīdzēt pircējiem izvēlēties datoru, kurš visaugstākajā pakāpē atbilst viņu prasībām un budžetam.
Kompānija Boeing pielieto ES kosmisko staciju projektēšanai, kā arī lidmašīnu dzinēju darbību traucējumu iemeslu noteikšanai un helikopteru remontam.
Ekspertsistēma XCON, kuras izstrādātājs ir firma DEC, veic datorsistēmu konfigurācijas noteikšanu vai izmaiņu saskaņā ar pircēja prasībām.

d) Interpretācija.
Interpretācijas sistēmas ir spējīgas iegūt noteiktus slēdzienu un secinājumus ņemot par pamatu novērojumus. Sistēma PROSPECTOR ir viena no pazīstamākām interpretējošā rakstura sistēmām, kura apvieno deviņu ekspertu zināšanas. Izmantojot deviņu ekspertīzes metožu apvienojumu, sistēmai izdevās noteikt dzelzsrūdu atrašanas vietu, pie tam šo vietu nevarēja paredzēt neviens no šiem deviņiem ekspertiem.
Otra interpretējošā sistēma HASP/SIAP. Šī sistēma nosaka kuģu tipu un atrašanas vietu Klusā okeānā pēc akustisko sistēmu sekošanas datiem.
e) Kontrole un vadība.
Sistēmas, kuras ir bāzētas uz zināšanām, var tikt pielietotas kā intelektuālas kontroles sistēmas un pieņemt risinājumus, analizējot datus, kas tiek saņemti no vairākiem avotiem. Šīs sistēmas analizē kontrolējamās sistēmas uzvedību. Tad salīdzina saņemtus datus ar iepriekš nodefinētiem kritiskiem punktiem. Tikai tad prognozē mērķa sasniegšanas varbūtību.
Šādas sistēmas jau darbojas atomelektrostacijās, vada gaisa satiksmi un realizē medicīnisko kontroli. Tās var būt noderīgas uzņēmuma finansu darbību regulēšanā un sniegt palīdzību lēmumu izstrādē kritiskās situācijās.
C – PRS (procedūru orientēta sistēma, kura ir realizēta C programmēšanas valodā) realizē procedūru zināšanu attēlošanu. C – PRS sistēma ir lietderīga tehnoloģisko procesu kontrolei un vadībai. PRS tehnoloģija tika pielietota dažādos uzdevumos un pieprasījumos reālajā laikā, piemēram, vairāku NASA satelītsistēmu kontrolē.
f) Bojājumu diagnostika mehāniskās un elektriskās ierīcēs.
Šajā jomā sistēmas, kuras ir bāzētas uz zināšanām, nav aizvietojamas, remontējot mehāniskās un elektriskās mašīnas (automašīnas, dīzeļa lokomotīves un citas), kā arī kļūmju novēršanā datoru aparātnodrošinājumā un programmnodrošinājumā.
Piemēram, ekspertsistēma “HELMOS” tiek pielietota bojājumu diagnostikai un ģeneratoru detalizētam monitoringam.
g) Apmācība.
Sistēmas, kuras ir bāzētas uz zināšanām, var būt apmācību datorsistēmu pamatā. Sistēma saņem informāciju par kāda objekta aktivitātēm (darbībām) un analīzē tā uzvedību. Zināšanu bāze mainās attiecīgi objekta uzvedībai. Šādas apmācības piemērs varētu būt datorspēle, kuras sarežģītība tiek paaugstināta attiecīgi spēlētāja kvalifikācijas līmenim.
Piemēram, ekspertsistēma Unimath tiek pielietota dabas zinātņu un inženieru specialitāšu studentu apmācībās matemātisko disciplīnu praktiskajās nodarbībās.

h) Projektēšana.
Projektēšanas sistēmas ir paredzētas objektu konfigurācijas struktūras (projektējamās sistēmas komponentes) sintēzei, ja ir zināmi ierobežojumi. Tipiskie uzdevumi tādām sistēmām ir elektronisko shēmu sintēze, arhitektūras plānu sastādīšana, optimāls objektu izkārtojums ierobežotā telpā.
Piemēram, ekspertsistēma ESKOR tiek pielietota kuģu vadības bloka aprīkojuma sastāva un sadalījuma noteikšanai.
Vairākas ekspertsistēmas satur zināšanas, pēc kurām tās var iedalīt dažādos tipos vienlaicīgi. Piemēram, apmācības sistēmai var būt zināšanu bāze, kura ļauj izpildīt diagnostiku un plānošanu. Tā nosaka personas apmācības iespējas pēc kursa pamata virzieniem, tad, ņemot vērā iegūtus datus, sastāda mācību plānu.
Vadības sistēmas var tikt pielietota kontroles mērķu sasniegšanā, diagnostikā, prognozēšanā un plānošanā. Sistēma, kura nodrošina mājokļa drošību, var sekot apkārtējas vides stāvoklim, atpazīt notikumus (piemēram, atveras logs), sniegt prognozi (zaglis mēģina tikt mājā) un sastādīt rīcību plānu (izsaukt policiju).

Pēc pielietojuma ekspertsistēmas dalās sekojoši [6]:
• Kopēja pielietojuma ES;
• Specializētas ES:
1. problēmorientētas diagnostikas, projektēšanas un prognozēšanas uzdevumiem;
2. objektorientētas specifiskiem uzdevumiem, piemēram, situāciju kontrolēšanai atomu elektrostacijās.

Pēc atkarības pakāpes no ārējas vides izšķir:
• Statiskās ES, kas ir neatkarīgas no ārējas vides;
• Dinamiskās, kuras ņem vērā ārējas vides dinamiku un kuras ir paredzētas uzdevumu risināšanai reālā laikā. Reakcijas laiks šādās sistēmās var tikt uzdots milisekundēs, un šīs sistēmas parasti tiek realizētas C++ programmēšanas valodā.

Pēc izmantošanas tipa izšķir [12]:
• Izolētas ekspertsistēmas;
• Ekspertsistēmas, kas atrodas citu sistēmu ieejā/izvadā;
• Hibrīda ES, citiem vārdiem sakot, integrētas ES ar datu bāzēm un citu programmnodrošinājumu.

Pēc uzdevumu risinājuma sarežģītības iedala:
• Vienkāršā ES – līdz 1000 vienkāršu noteikumu;
• Vidējās sarežģītības ES – no 1000 līdz 10000 strukturētu noteikumu;
• Sarežģītas ES – vairāk kā 10000 strukturētu noteikumu.

Pēc izveides stādījām izšķir:
• Pētījumu ES prototips, tiek izstrādāts 1-2 mēnešos ar minimālu zināšanu bāzi;
• Demonstrāciju ES prototips, tiek izstrādāts 2-4 mēnešos, piemēram, LISP, PROLOG un CLIPS valodās;
• Ražošanas ES prototips, tiek izstrādāts 4-8 mēnešos, piemēram, CLIPS valodā ar pilnu zināšanu bāzi;
• Komerciālais ES prototips, tiek izstrādāts 1,5 – 2 gados, piemēram, C++, Java valodās ar pilnu zināšanu bāzi.

1.3.1. Ekspertsistēmu pielietošanas priekšrocības.

Bieži rodas jautājums – Kam ir nepieciešams izstrādāt ekspertsistēmu? Varbūt labāk pielietot cilvēka pieredzi, ka tas bija agrāk?
Zemāk tiek uzskaitītas ekspertsistēmu pielietojuma priekšrocības [10]:
• Ekspertsistēmas pastāvīgums. Ar laiku cilvēka kompetence kļūst vājāka. Cilvēka – eksperta laicīga darbības pārtraukšana var nopietni sekmēt viņa profesionālo īpašību zaudēšanu.
• Pārraides un reproducēšanas vieglums. Zināšanu nodošana no viena cilvēka otram – ir ilgs, sarežģīts un dārgs process. „Mākslīgas” informācijas nodošana – programmas vai datu faila vienkāršs kopēšanas process.
• Drošība un rezultātu atveidošana. Cilvēks – eksperts dažādās situācijās var pieņemt lēmumu atkarībā no paša psiholoģiskās nostādnes un emocionalitātes. Ekspertsistēmas ir stabilas jebkurās situācijas.
• Izmaksas. Ekspertu, īpaši augsti kvalificētu, pakalpojumi ir ļoti dārgi. Ekspertsistēmas – otrādi, salīdzinoši lētākas. Bet konkrēti, ekspertsistēmas izstrāde ir tā dārgāka, bet ekspluatācija ir lēta.
Tomēr ekspertsistēmas izstrāde neļauj pilnībā atteikties no cilvēka – eksperta. Kaut arī ekspertsistēma labi izpilda savas funkcijas, dažās noteiktās sfērās cilvēka kompetence pārsniedz mākslīgas sistēmas spējas. Taču ir iespējama arī tāda situācija, kad ekspertsistēma ļauj atteikties no augsti kvalificēta eksperta pakalpojumiem. Tad vidēja līmeņa kvalificēts eksperts var izmantot ekspertsistēmu savu zināšanu un profesionālu iemaņu paplašināšanai.

1.3.2. Ekspertsistēmu atšķirība no tradicionālām programmām.

Ekspertsistēmu īpašības, ar kurām tās atšķiras no parastām programmām, ir sekojošas:
1. Kompetence. Un konkrēti:
• Sasniegt risinājumu ekspertlīmeni (tas ir, noteiktajā sfērā ekspertsistēmai ir tāds pats profesionāls līmenis, kā cilvēkam – ekspertam);
• Ekspertsistēmai jābūt prasmīgai (tas ir, pielietot savas zināšanas efektīvi un ātri, izvairoties no nevajadzīgiem izskaitļojumiem);
• Jābūt adekvātam robustumam (tas ir, spēja pakāpeniski samazināt darba kvalitāti pēc pietuvošanās kompetences robežām vai datu pieļaujamai drošībai).
2. Simbolisko spriedumu veikšanas spēja, un tieši:
• Atspoguļot zināšanas simboliskā veidā;
• Pārformulēt simboliskās zināšanas. Mākslīga intelekta žargonā simbols – zīmju virkne, kas atbilst kādam jēdzienam. Simbolus apvieno, lai izteiktu attiecības starp tiem. Kad attiecības ir atspoguļotas ekspertsistēmā, tos sauc par simboliskām struktūrām.
3. Profesionalitāte, bet konkrēti:
• Strādāt priekšmetu telpām, kura satur sarežģītus uzdevumus;
• Izmantot sarežģītus noteikumus (tas ir, izmantot sarežģītas noteikumu konstrukcijas, vai arī to lielo skaitu).
4. Pašapziņa, un tieši:
• Sekot saviem spriedumiem (tas ir, pārbaudīt to pareizību);
• Paskaidrot savas aktivitātes/darbības.
Eksistē vēl viena svarīga ekspertsistēmas atšķirība. Ja parastas programmas tiek izstrādātas tā, lai katru reizi izdot tikai pareizu rezultātu, tad ekspertsistēmas ir izstrādātas ar nolūku, lai uzvestos kā eksperts. Tās, kā likums, sniedz pareizas atbildes, bet dažreiz, kā cilvēki, arī var kļūdīties.
Tradicionālās programmas sarežģītu uzdevumu risinājumam, arī var kļūdīties. Un šīs kļūdas grūti izlabot, jo algoritmi, uz kuriem balstās uzdevumu risinājums, nav skaidri noformulēti. Tātad, kļūdas sarežģīti atrast un izlabot. Ekspertsistēmas, līdzīgi cilvēkam, potenciāli spēj mācīties uz savām kļūdām.
Vēl viena ekspertsistēmu atšķirība no parastām programmām ir plaša heiristiku pielietošana, kuras palīdz minimizēt meklēšanas soļu skaitu problēmas risināšanas laikā. Šāds paātrināts problēmas risināšanas process atveido arī cilvēka domāšanas procesu, kurš pielieto pamata principus ļoti reti, un biežāk situācijās rīkojas pēc savas pieredzes un uzkrātām zināšanām. Rezultātā spriedumu virkne ir samēra īsa un ļoti specifiska katram konkrētam gadījumam.
Heiristiku izmantošana arī nozīmē, ka spriedumu process ekspertsistēmā ne vienmēr veido loģiskās dedukcijas virkni [13].
Zināšanu inženieris atbild ne tikai par zināšanu strukturēšanu zināšanu bāzē, bet arī par to, kā izmantot šis zināšanas secinājuma veidošanas procesā.
Loģiskā izvada mašīna tiek noteikta ar zināšanu organizāciju un to pielietošanas mehānismu. Piemēram, jebkurā problēmas risināšanas stadijā var būt situācija, kad ir iespējams pielietot vairākus noteikumus (zināšanu elementus). Noteikumi var būt savstarpēji pretrunīgi un nesaskaņojami. Tā, piemēram, plānošanas sistēmā, kura atbild par preces piegādi, var būt iekļauti heiristiski noteikumi sekojoša satura:
1. Sākumā piegādāt preci tiem saņēmējiem, kas atrodas tuvāk piegādātājam;
2. Neizbraukt uz priekšpilsētu, kad satiksme ir ļoti intensīva.
Ja būs tāds gadījums, kad ir pietiekoši daudz adresātu, kuri ir kompakti izvietoti priekšpilsētā, un piegādes laiks sakrīt ar intensīvas kustības laiku, tad šie divi noteikumi ir pretrunīgi. Loģiska izvada mašīnai jābūt projektētai tā, lai tā būtu spējīga rīkoties šādās situācijās, kad situācija ir divējāda.
Plaši izplatīts viedoklis, ka metode, balstīta uz heiristikām, var sniegt kļūdainu slēdzienu, un pat pašas heiristikas bieži ir pretrunīgas. Neskatoties uz to, heiristikas tiek plaši pielietotas ekspertsistēmās, jo dažās sfērās neeksistē drošu algoritmu risinājuma meklēšanai, vai arī šiem algoritmiem ir augstas prasības pēc izskaitļošanas resursiem. No tā ir skaidrs, kāpēc, izstrādājot ekspertsistēmas, liela uzmanība tiek pievērsta šauri speciālu zināšanu organizācijas līdzekļiem konkrētā priekšmetu telpā, un vairums no tiem ir heiristikas.

1.3.3. Ekspertsistēmas priekšrocības, salīdzinot ar cilvēku-ekspertu.

Sistēmām, kas bāzētas uz zināšanām, ir vairākas priekšrocības, salīdzinot ar cilvēku – ekspertu. Un tās būtu:
1. Tām nav aizspriedumu;
2. Tās nepieņem steidzīgus secinājumus;
3. Tās strādā sistematizēti, izskatot visas detaļas, bieži izvēlās labāko alternatīvu no visām iespējamām.
4. Zināšanu bāze var būt ļoti liela. Tikko tās vienu reizi tiek ievadītas datorā, šīs zināšanas paliek atmiņā uz visiem laikiem. Cilvēkam ir ierobežota zināšanu bāze. Un, ja zināšanas kādu laiku netiek izmantotas, tas tiek aizmirstas un zaudētas.
5. Ekspertsistēmas ir drošas pret „traucējumiem”. Eksperts, pielietojot zināšanas uzdevuma risināšanai, ir viegli ietekmējams ar ārējiem faktoriem, kuri varētu būt arī nesasaistīti ar doto uzdevumu.
6. Šīs sistēmas nevar aizvietot speciālista, bet ir labs darba rīks viņa rokās.

1.4. Ekspertsistēmu izstrādes posmi un tehnoloģija.

Ekspertsistēmu izstrāde būtiski atšķiras no parasta programmnodrošinājuma izstrādes. Pieredze rāda, ja izstrādes laikā pielietot tradicionālās programmēšanas metodoloģijas, tad kopējais izstrādes process ieilgst vai arī noved līdz negatīvam rezultātam.
Izmantot ekspertsistēmas var tikai tad, kad ekspertsistēmas izstrāde ir iespējama, attaisnojama un zināšanu inženierijas metodes ir atbilstošas risināmajam uzdevumam.
Lai ekspertsistēmas izstrāde būtu iespējama dotajam programmnodrošinājumam, ir nepieciešams, lai izpildītos viena no sekojošām prasībām:
1) ir zināmi eksperti dotajā sfērā, kuri risina uzdevumu daudzreiz labāk, nekā jauni speciālisti;
2) ekspertiem ir līdzīgs uzdevuma risinājums, citādi nebūs iespējams novērtēt izstrādātas ekspertsistēmas kvalitāti;
3) eksperti ir spējīgi izteikties saprotamā valodā un paskaidrot viņu izmantotas metodes, pretējā gadījumā grūti spriest par to, ka lielāka daļa ekspertu zināšanu tiks nodota ekspertsistēmai.
4) uzdevuma risinājums ir tikai sprieduma veidā, nevis darbību;
5) uzdevums nedrīkst būt pārāk sarežģīts (tas ir, tā risināšanai cilvēks velta vairākas stundas vai dienas, bet ne nedēļu);
6) kaut arī uzdevums var nebūt izteikts formālā veidā, taču tam jābūt skaidram un būt no strukturētas sfēras, tas ir, jābūt zināmam pamata jēdzieniem, sakariem un zināmas (vismaz ekspertam) risinājuma metodes.

Ekspertsistēmas pielietojums var tikt apliecināts ar vienu no sekojošiem faktoriem:
• Uzdevuma atrisinājums nesīs ievērojamu efektu, piemēram ekonomisku;
• Cilvēka – eksperta izmantošana nav iespējama, jo nav pietiekoši daudz šādu ekspertu, vai arī ir nepieciešams veikt ekspertīzi dažādās vietās vienlaicīgi;
• Ekspertsistēmu pielietojums ir lietderīgs, kad informācijas pārraidei tiek patērēts ļoti liels laiks, vai arī daļa informācijas tiek zaudēta.
• Ekspertsistēmu pielietojums ir lietderīgs, kad ir nepieciešams veikt uzdevuma risinājumu cilvēkam kaitīgos apstākļos.

Izstrādājamais programmnodrošinājums atbilst ekspertsistēmas metodēm, ja risināmajam uzdevumam ir sekojošs raksturojumu kopums:
1) uzdevums var tikt dabiskā veidā atrisināts, manipulējot ar simboliem (tas ir, ar simbolisku spriedumu palīdzību), nevis ar skaitļiem, kā tas pieņemts matemātiskajās metodēs un tradicionālajā programmēšana;
2) uzdevums ir heiristiskas dabas, nevis algoritmiskās. Tas nozīmē to, ka uzdevuma risinājums ir atkarīgs no heiristiskiem noteikumiem. Uzdevumi, kuru risinājums (ievērojot uzdotus ierobežojumus) ir garantēts ar formālu procedūru palīdzību, neder lietošanai ekspertsistēmās;
3) uzdevumam jābūt diezgan sarežģītam, lai attaisnotu visas izmaksas, kas saistītas ar ekspertsistēmas izstrādi;
4) uzdevumam jābūt pēc iespējas konkrētam un praktiski nozīmīgam.

Izstrādājot ekspertsistēmu, tiek pielietota „ātra prototipa” koncepcija. Šis koncepcijas būtība ir tāda, ka izstrādātāji nemēģina uzreiz uzbūvēt gala produktu. Sākuma etapā viņi veido ekspertsistēmas prototipu vai prototipus.
Prototipiem jāatbilst divām pretrunīgām prasībām: no vienas puses, tiem jārisina konkrēta pielikuma tipiskus uzdevumus, bet no otras puses – laiks un darbietilpība, patērētie prototipu izveidei, ir salīdzinoši mazi, lai varētu maksimāli veikt vienlaicīgu zināšanu ieguvi un to atkļūdošanu (to veic eksperts) ar programmlīdzekļu izvēles procesu (to veic zināšanu inženieris un programmētājs).
Prototipam jādemonstrē zināšanu inženierijas metožu piemērotību dotajam pielikumam.
Veiksmes gadījumā eksperts ar zināšanu inženiera palīdzību paplašina prototipa zināšanas par problēmas jomu.
Neveiksmes gadījumā, iespējams, būs nepieciešams izstrādāt jaunu prototipu, vai arī izstrādātāji var secināt par ekspertsistēmu metožu nepiemērotību dotajam pielikumam.
Palielinoties prototipa zināšanu bāzei, tas var sasniegt tādu stāvokļi, kad tas veiksmīgi risina visus šī pielikuma uzdevumus. Ekspertsistēmas prototipa pārveide gala produktā parasti tiek veikta ar pārprogrammēšanu zemākā līmeņa valodās, kuri nodrošina ekspertsistēmas ātrdarbību, kā arī nepieciešamas atmiņas samazināšanos.
Darba gaitā ir izveidojusies noteikta ekspertsistēmas izstrādes tehnoloģija, kura sastāv no sešiem etapiem (skat.1.4.1.attēlu).

1.4.1.att. Ekspertsistēmas izstrādes etapi.

1) Identifikācijas etapā nepieciešams izpildīt sekojošas darbības:
• noteikt uzdevumus, kuri tiks atrisināti un izstrādes mērķus;
• noteikt ekspertus un lietotāju tipus;
• noteikt darbietilpību, laika ierobežojumus, ierobežojumus izmaksās un tehnikas resursus.

2) Koncepta izstrādes etapā notiek sekojošas darbības:
• tiek veikts saturiska problēmu jomas analīze;
• tiek noskaidroti izmantojamie jēdzieni un to sakarība;
• noteikti uzdevumu risināšanas metodes, kā arī tiek apzināta visa datu plūsma.

3) Formalizācijas etapā notiek sekojošas darbības:
• tiek izvēlēti instrumentālie līdzekļi;
• tiek noteikti dažādu zināšanu veidu atspoguļošanas metodes;
• tiek formalizēti pamatjēdzieni.
• tiek noteiktas zināšanu interpretācijas metodes;
• tiek modelēta sistēmas darbība un tiek novērtēts sistēmas adekvātums.

4) Izpildes etapā (svarīgākajā un darbietilpīgākajā) eksperts aizpilda zināšanu bāzi, pie tam zināšanu uzkrāšanas procesu realizē zināšanu inženieris un to sadala sekojoši:
• zināšanu iegūšana, kurus sniedz eksperts;
• zināšanu organizācija, kas nodrošina ekspertsistēmas efektīvu darbību;
• zināšanu organizācija tā, lai tās būtu saprotami ekspertsistēmai.

5) Eksperimentālās ekspluatācijas etapā tiek pārbaudīts ekspertsistēmas pielietojums gala lietotājiem. Pēc dotā etapa rezultātiem ir iespējama būtiskā ekspertsistēmas modernizācija.

6) Testēšanas etapā eksperts un zināšanu inženieris ar dialoga un skaidrojošo līdzekļu izmantošanas palīdzību pārbauda ekspertsistēmas kompetenci. Testēšanas process tiek turpināts tik ilgi, kamēr eksperts nolems, ka ekspertsistēma tik tiešām ir sasniegusi nepieciešamas kompetences līmeni.

Šo etapu secība nav strikti noteikta ekspertsistēmas izveides procesam, jo izstrādes laikā ir nepieciešams atkārtoti atgriezties pie iepriekšējiem etapiem un pārskatīt tajā laikā pieņemtus lēmumus.

1.5. Ekspertsistēmu izstrādes problēmas.

Ekspertsistēmu izstrāde ir saistīta ar noteiktām sarežģītībām, kurus nepieciešams labi zināt, kā arī kā tās pārvarēt.
Apskatīsim šīs problēmas konkrētāk:
1. Ekspertu zināšanu iegūšanas problēma. Neviens speciālists nekad tāpat neatklās savas profesionālās meistarības noslēpumus, savas unikālās zināšanas specifiskajā sfērā. Ekspertam jābūt ļoti labi ieinteresētam materiāli vai morāli, lai sniegtu savu informāciju. Bieži šāds speciālists baidās, ka viņš vairs nebūs vajadzīgs savam uzņēmumam, ja atklās savas specifiskās zināšanas. Viņa vietā strādās ekspertsistēma. Lai izvairītos no šis problēmas, ir nepieciešams izvēlēties augsti kvalificētu ekspertu, kurš ir ieinteresēts sadarboties.
2. Eksperta zināšanu formalizācijas problēma. Eksperti speciālisti noteiktā sfērā bieži nav spējīgi formalizēt savas zināšanas. Dažreiz pareizus lēmumus viņi pieņem intuitīvi un nevar argumentēti paskaidrot, kāpēc tieši šis vai otrs lēmums tika pieņemts. Ir gadījumi, kad eksperti nevar nonākt līdz kopējam viedoklim par kādu problēmas risinājumu. Tādās situācijās ir jāizvēlas eksperts, kurš prot skaidri noformulēt savas domas un viegli paskaidrot citiem savas idejas.
3. Eksperta laika trūkums darbam. Izvēlēts speciālists ekspertsistēmas izstrādei ne vienmēr var atvēlēt šim darbam pietiekoši daudz laika projekta izpildei. Viņš ir pārāk aizņemts un kādam nepieciešama viņa palīdzība, kā arī viņam ir savas problēmas. Lai izvairītos no šādas situācijas, pirms projekta uzsākšanas nepieciešams iepriekš sarunāt un oficiāli apstiprināt patērēto eksperta laiku šim projektam.
4. Noteikumiem nav nepieciešamas precizitātes, kurus formalizē eksperts. Lai šāda problēma nerastos, nepieciešams kopā ar ekspertu risināt reālus uzdevumus. Nevajag šim nolūkam izgudrot nereālas situācijas un uzdevumus. Uzdevumu nosacījumos jābūt reāliem datiem, tādiem kā laboratorijas dati, atskaites, dienasgrāmatas un cita informācija no praktiskiem uzdevumiem. Ar ekspertu jāmēģina runāt „vienā valodā” un izmantot vienotu terminoloģiju, bez nosacītiem apzīmējumiem un žargoniem.
5. Resursu trūkums. Un tie būtu: personāls (zināšanu inženieri, instrumentālo līdzekļu izstrādātāji, eksperti) un ekspertsistēmas izveides līdzekļi (izstrādes līdzekļi un uzturēšanas līdzekļi). Laipnu un prasmīgu administratoru trūkums sekmē skepticisma un vadītāju nepacietības rašanos. Paaugstināta uzmanība masu medijos un pārvērtējums veic nereālistisko gaidīšanu, kas noved līdz vilšanām attiecībā uz ekspertsistēmām. Ekspertsistēmas var nesniegt labākus risinājumus, strādājot ar pretrunīgām zināšanām un spriedumiem. Var arī būs nepieciešams zināmas piepūles, lai paaugstinātu ekspertsistēmas darba kvalitāti. Ekspertsistēmu izstrāde ir ļoti ilgs process. Tā piemēram, sistēmas PUFF izstrādei bija nepieciešami 5 cilvēkgadi. Šī sistēma interpretē plaušu funkcionalitātes testus. Sistēmas PROCPECTOR izstrāde ilga 30 cilvēkgadus. Šī sistēma nosaka rūdu atradnes.
Mūsdienās ekspertsistēmas tiek izstrādātas salīdzinoši ātrāk pateicoties tehnoloģiju attīstībai, bet problēmas ir palikušas. Personāla skaita palielināšana divreiz, nesaīsina izstrādes laiku arī, jo ekspertsistēmas izveides process – ir process ar daudzām atgriezeniskām saitēm. To ir nepieciešams ievērot plānojot ekspertsistēmas izveidi.
6. Instrumentālo līdzekļu neadekvātums risināmajam uzdevumam. Bieži, noteikti zināšanu tipi (piemēram, laicīgie vai telpiskie) nevar būt viegli attēloti vienā zināšanu attēlošanas valodā, kā arī dažādas attēlošanas shēmas (freimi un produkti) nevar būt pietiekoši efektīvi realizēti vienā zināšanu attēlošanas valodā. Daži uzdevumi var būt nepiemēroti risināšanai ar ekspertsistēmu tehnoloģiju pielietojumu. Ir lietderīgi smalki analizēt risināmus uzdevumus, lai noteiktu instrumentālo līdzekļu piemērotību un veikt pareizu izvēli.

1.6. Pirmo ekspertsistēmu raksturojums.

Eksistē daudzas novērtēšanas vai ekspertsistēmu raksturlielumu salīdzināšanas metodes, bet visizplatītākais ir – rezultātu, kuri tika iegūti ar ekspertsistēmas palīdzību, salīdzinājums ar to rezultātu, kuru iegūst cilvēks – eksperts.
Sistēmas izstrādes laikā zināšanu inženieris un eksperts strādā kopā ar mērķi panākt visu tipisku testa piemēru risinājumu ar ekspertsistēmas palīdzību. Tad ekspertsistēmai tiek piedāvāts atrisināt „nezināmu” tai problēmu, un tiek analizēts, cik daudz saņemtais rezultāts sakrīt ar to rezultātu, kuru ieguva eksperts.

1.6.1. MYCIN sistēma.

Sistēmas MYCIN izstrādes sākumā 1974.gadā tika iegūti samērā optimistiski rezultāti. Piecu ekspertu komanda, kuri darbojas infekciju slimību diagnostikas sfērā, apstiprināja 72% pareizu rekomendāciju, kurus sniedza sistēma un kuri attiecas 15 reālām saslimšanām. Galvenā problēma diagnozes precizitātē bija noteikumu trūkums, kuri ļautu spriest par saslimšanas nopietnību.
1979.gadā tika organizēts formalizēts uzlabotas MYCIN versijas izmēģinājums tādu saslimšanu diagnostikā kā bakteriēmija un meningīts.
Gala slēdziens, kuru sniedza programma desmit reālos gadījumos, tika salīdzināts ar vadošo mediķu un ārstu slēdzieniem, pie tam tika izskatīti arī gadījumi, kuros ārstēšana jau notika.
Tad tika piesaistīti vēl astoņi citi eksperti, kuru uzdevums bija novērtēt 10 rekomendāciju reitingus katrā izskatītā gadījumā par ārstēšanas kursu.
Katrai rekomendāciju kopai tika noteikts maksimālais novērtējums – 80 balles. Pie tam, eksperti nezināja, kuri no tiem ir ārsta vai datora piedāvāti. Rezultāti ir sekojoši (skat.1.6.1.1.tabulu) [15]:

1.6.1.1. tabula
Rekomendāciju novērtējums.
MYCIN 52 Ārstēšanas kurss, kurš tika reāli nozīmēts. 46
1. Faculty-1 50 5. Faculty-4 44
2. Faculty-2 48 6. Resident 36
3. Inf dis fellow 48 7. Faculty-5 34
4. Faculty-3 46 8. Student 24
Nepiemērots ārstēšanas kurss 0
Vienādi ārstēšanas kursi 1

Novērtējuma atšķirība, kas tika iegūts ar MYCIN palīdzību, no vadošo speciālistu novērtējuma nav būtiska, bet salīdzinot to ārstu slēdzieniem – sistēma bija augstākajā līmenī.
Bet dažu iemeslu (zemāk uzskaitītiem) MYCIN ekspertsistēma tā arī nekad netika izmantota ārstu praksē.
• Sistēmas zināšanu bāze, kurā ir ap 400 noteikumiem, nav tomēr pietiekoša reālai ieviešanai infekciju slimību ārstēšanas praksei.
• Sistēmas ieviešanai bija arī nepieciešama dārgas datortehnikas iegāde, bet tajos laikos medicīnas iestādēm trūka finansu līdzekļu šādiem nolūkiem.
• Ārstiem nebija vēlēšanos strādāt ar datora termināliem, kas bija nepieciešams darbam ar ekspertsistēmu. Pie tam, eksistējoša 1976.gada lietotāja saskarne nebija labi pārdomāta.
MYCIN sistēma ar praktiskā pielietojuma nolūku bija un palika kā eksperimentāla pētījumu sistēma, kura nav paredzēta komerciālām pielietojumam.
Tomēr, uz tās pamata tika izveidotas citas diagnosticējošās ekspertsistēmas, kuras reāli tika pielietotas ārstniecības praksē, piemēram PUFF sistēma, kura interpretē plaušu funkcionalitātes testus.
Vērtējot ekspertsistēmas atsevišķu modeļu kvalitāti, nevar noteikt kopēju pieeju novērtējuma saņemšanai, neņemot vērā pielietošanas sfēras specifiku.
Taču var izdalīt priekšnosacījumus, kurus nepieciešams ievērot ekspertsistēmas kvalitātes adekvāta novērtējuma veidošanā:
• Jābūt noteiktiem objektīviem kritērijiem, kuri nosaka atbildes precizitāti, kuru formē ekspertsistēma. Dažās sfērās, piemēram, finansu investīcijas, ekspertsistēmas atbildi novērtē speciālisti, vai arī novērtē rekomendāciju izpildi pēc praktiskā pielietojuma un saņemto rezultātu analīzes. Pirmajā gadījumā sarežģītība var rasties tāda, ka eksperts var nepiekrist konkrētajā gadījumā ar pašas problēmas nostādni. Otrajā gadījumā, par novērtējumu var dārgi samaksāt, ja praktisks rekomendācijas pielietojums noveda līdz negaidītām sekmēm.
• Jāievēro noteikta eksperimenta veikšanas procedūra. Tā vietā, lai prasīt ekspertu novērtēt atbildes kvalitāti, kuru sniedza dators, labāk piedāvāt viņam vairākus atbilžu variantus – citu ekspertu un ekspertsistēmas sniegtus. Pie tam eksperts, kas novērtē, nedrīkst zināt par to, ka daži varianti ir ekspertsistēmas piedāvāti.
• Tā arī notika MYCIN sistēmas kvalitātes novērtēšana. Bet tad ekspertam netika pat minēts, ka kaut kādas atbildes ir sniegti ar datoru.
• Ja novērtējums var notikt ar ekspertam nepatīkamām sekām, tad cerēt uz viņa objektivitāti, protams, nedrīkst. Nav iespējams korekti novērtēt, ja eksistē stingras prasības šādas darbības izpildei laikā ziņā un izmantojamiem resursiem. Iespējams, var gadīties, ka sistēmas kvalitātes novērtēšanas process var būt ilgāks nekā sistēmas izstrāde.
Ir jāatzīmē arī tādu lietu, ka dažādām ekspertsistēmām dažādās sfērās varbūt atšķirīgas lomas, tāpēc attiecīgi jābūt atšķirīgām prasībām to produktivitātei.
Daudzas ekspertsistēmas izpilda padomnieka lomu un piedāvā lietotājam vairākus problēmas risināšanas variantus. Tādā gadījumā no sistēmas tiek prasīts noformulēt pēc iespējas „apjomīgāku” problēmas risināšanas variantus pie zināmiem ierobežojumiem attiecīgi atvēlētajā tam laika posmā.
Citas sistēmas ir paredzētas problēmas beigu risinājuma sniegšanai, kuru lietotājs pieņem vai noraida.
Ņemot vērā, ka lēmumu pieņem cilvēks, nevis eksperts, sistēma var tikt atzīta par produktīvu arī tādā gadījumā, ja nevisi tās risinājumi ir 100% pareizi, bet tā ļoti ātri reaģē uz jauniem pieprasījumiem.
Plašākās MYCIN sistēmas iespēja problēmu risināšanā ir atkarīga no diviem faktoriem: liels noteikumu skaits, kuri tiek izmantoti hipotēžu formulēšanai un to patiesības pierādīšanai, kā arī liela datu bāze, kurā glabājas informācija par mikroorganismiem, medikamentiem un laboratorijas testiem.
Pie tam noteikumu pielietošanas vadības mehānisms sistēmā MYCIN ir vienkāršāks, nekā sistēmā STRIPS. Pamata atšķirība starp divām programmām ir zināšanu pielietošanas spēja savā sfērā, nevis pašas programmu pielietošanas sfēras.
1.6.2. STRIPS sistēma.

Plānošanas uzdevumu risinājuma tika izveidota speciāla sistēma STRIPS (STanford Research Institute Problem Solver). STRIPS tika izstrādāta 1971.gadā robota vadībai.
Vēlāk STRIPS nosaukums kļuva par formālas valodas nosaukumu ekspertsistēmas datu aprakstam.
Sistēmas uzdevums ir atrast darbību nepieciešamu secību sākuma stāvokļa pārveidei mērķa stāvoklī, kurā tiek sasniegta nosacījuma izpilde [15].
Sistēmas sākuma un mērķa stāvokli, caur kuriem iziet sistēma, tiek aprakstīti ar loģiskām formulām.
Sistēmas darbības ir speciālās konstrukcijas, kuras ir analoģiski pielietojami programmēšanā. Darbību shēmas apraksts sastāv no divām daļām: darbības efektivitātes apraksts un nosacījumu apraksts, pie kādiem darbība ir pielietojama.
Piemēram, robota pārvietošanai no vienas istabas „X” uz otru istabu „Y” nav pietiekoši dot tam komandu goto(X, Y) – nepieciešams pārbaudīt izpildāmās komandas nosacījumus. Darbību efektam ir divi saraksti: formulu saraksti, kuri tiek pievienoti stāvoklim, un dzēsto no stāvokļa formulu saraksti, kuras kļuva aplamas darbības pielietojuma laikā.
Taču, ja formula no pirmā saraksta jau eksistē aprakstā, tad atkārtoti tā netiks pievienota. Tā notiks arī tad, kad formula jau būs nodzēsta no otra saraksta, attiecīgi pieprasījums dzēst to tiks ignorēts.
Visas formulas, kas nav minētas abos sarakstos, paliek sākuma stāvokli – programmēšanā tas tiek saukts par STRIP – pieņēmumu.
Nepieciešams ievērot, ka sistēmas formulas var tikt uzbūvētas uz citu formulu pamata, tātad, dzēšot formulu, sistēma automātiski dzēš arī citas, kuras ir uzbūvētas uz to pamata.
Formula, kura apraksta darbības pielietojuma nosacījumus, tiek saukta par priekšnosacījumu (precondition). Darbības pielietojuma noteikšanai noteiktā stāvoklī ir nepieciešams pārbaudīt priekšnosacījuma patiesību. Ja patiesība ir apgalvota, tātad arī darbību drīkst izpildīt.
STRIPS ekspertsistēma realizē darbību izpildes plāna meklēšanu, izmantojot GPS stratēģiju, kura nosaka starpību starp tekošo un mērķa stāvoklim un atrod darbības, kuras samazina šo atšķirību.
Pēc tā, kad darbība ir atrasta, sistēma pāriet jaunajā stāvoklī un atkal realizē plāna meklēšanu. Tā notiek līdz tam brīdim, kad mērķis tiks sasniegts. Tādā veidā sistēma veido meklēšanas koku – mērķu, apakšmērķu un stāvokļu hierarhiju, kuri tika iegūti šajā procesā.
Koka mezgls – ir pāris – stāvoklis un mērķu sarakts. Kad STRIPS veido mezglu, tā analizē šo mezglu pirmā mērķa no stāvokļu saraksta sasniegšanai [16].
Pirmā mērķa sasniegšanai tiek pielietota noteikta darbība, pēc tam tiek veidots jauns mezgls ar jaunu stāvokli un ar to pašu mērķu sarakstu, kurā jau nav pirmā mērķa (tas jau ir sasniegts).
Uzstādīta mērķa sasniegšanai tiek pielietota problēmas sarežģītības līmeņa samazināšanas metodika: analizējot mērķi, sistēma nosaka nepieciešamus priekšnosacījumus tā sasniegšanai; uz to pamata tiek formulēti vienkāršāki apakšmērķi.
Šis process tiek turpināts tik ilgi, kamēr netiks noformulēti visi apakšmērķi, kurus iespējams sasniegt ar vienkāršu darbību izpildi.
STRIPS ekspertsistēma vairakkārt tika kritizēta attiecībā uz meklēšanas algoritmu un darbību apraksta pieeju. Taču idejas un risinājumi, kuras tagad ir STRIPS sistēmā, tiek pielietoti plānošanā arī šodien.
STRIPS sistēmas zināšanu bāze bija pārāk maza, tajā bija ļoti maz specifisko zināšanu par telpām un objektiem, kuri pārvietotu robotus, piemēram, par objekta svaru un gabarītiem, kā arī durvju ailēm sienās. Objektu pārvietošanai tiek izmantotas tās heiristikas, kuras atrodas operatoru tabulā. Piemēram, trūkst heiristiku, kuras palīdzētu izvairīties no kustību maršrutiem caur šaurām ailēm, kombinēt pārvietojamus objektus ievērojot robota celtspēju. Trūkst arī sagatavošanas fāze, kad varētu sagrupēt objektus, kurus būs jāpārvieto pa tuvākiem maršrutiem.

1.6.3. Apmācību ekspertsistēma VIPES.

1997.-1999.gados tika izstrādāta informācijas izglītības vides „Chopin” čaula, kura ir paredzēta autoru izglītojošo kursu izstrādei un uzturēšanai režīmā „viens pasniedzējs – daudz studentu”, kā arī režīmā „dators – students”.
Izstrādāta sistēma satur sekojošus pamata blokus:
• testēšanas čaula;
• datu analīzes konsole (dati – testēšanas rezultāti);
• vairāklietotāju ekspertsistēmas čaula ar vizuālu saskarni;
• apmācības un testēšanas datu bāze;
• testu un mācību kursu failu sistēma;
• apmācību čaula;
• dienesta modulis.

Lietojumprogrammas komplekta „Chopin” sastāvā ietilpst tīkla vairāklietotāju ekspertsistēmas čaula ar vizuālu saskarni VIPES – Visual Interface Production Expert Shell.
Ekspertu čaula ir paredzēta apmācību organizēšanai režīmā „dators – students”. Apmācības „Chopin” vidē notiek pēc individuāla mācību plāna individuālā tempā, kas ļauj runāt par apmācības procesa optimizāciju. Ekspertu čaula vidē spēlē padomdevēja lomu, kurš uz reāliem studenta sasniegumiem, kuri ir fiksēti testēšanas un apmācības rezultātu datu bāzē, plāno tālāko apmācību un pieņem lēmumu par studējoša zināšanu līmeņa sasniegšanu konkrēta priekšmetu telpā.
Tādā veidā VIPES čaula ir hibrīda. Datu apjoms, kurš tiek izmantots apmācību plāna formēšanai ir ievērojami liels, tāpēc lietderīgi izvietot datu bāzi uz servera.
Tas nozīmē, ka VIPES ir domāta darbam tīklā. Pēc izstrādātāju ieceres, informācijas izglītības vidē „Chopin” apmācības notiek diezgan brīvā formā, kad studējošais pats var izvēlēties mācību grāmatas, tempu un darba grafiku, tēmu apguves secību un tam līdzīgi.
Apmācības vides uzdevums ir tāds, pirmkārt, sniegt studējošam pietiekoši pilnīgu informāciju par priekšmetu telpu, otrkārt, sniegt studējošam noteiktus mācību mērķu sasniegšanas kritērijus (kontroles sistēma), kā arī (pēc studējoša vēlmes) palīdzēt izveidot optimālu individuālu apmācības grafiku.
Šo pēdējo uzdevumu arī risina ekspertsistēma. Ekspertsistēma pavada studējošo kursa apguves laikā, sniedzot rekomendācijas apmācībās un kontroles iziešanā.
Konsultāciju process ir diezgan ilgs un parasti sastāv no vairākiem seansiem. Tāpēc VIPES čaulā ir paredzēta iespēja saglabāt iepriekšējo konsultāciju rezultātus. Šī iespēja ļauj atjaunot pārtrauktu konsultāciju jebkurā laikā.
Izmantojot vienu un to pašu čaulu ar vienu un to pašu zināšanu bāzi, dažādi lietotāji var vienlaicīgi saņemt dažādas konsultācijas. Tādā veidā VIPES ir vairāklietotāju ekspertsistēma.
Nākoša dotās ekspertsistēmas svarīgā īpašība ir grafiskā lietotāja saskarne. Intelektuālās saskarnes jauna tipa izmantošana ir pamatota uz apmācību procesa attēlošanu „un-vai” apmācību mērķu koka veidā.
Apmācību mērķu koka uzbūves laikā tiek izmantoti divu tipu mezgli: izskaitļojamie un terminālie.
Katrs mezgls var būt vienā no trijiem stāvokļiem: sasniegts, nav sasniegts un nav noteikts. Katram mezglam ir atribūtu virkne: nosaukums, testi, mācību kursi, paskaidrojumi un citi.
Ekspertsistēmas padomi un studējoša reakcija tiek attēloti kā darbības ar vizuāliem objektiem – mezgliem un grafa šķautnēm. Studējošais katrā laika momentā skaidri zina ko un kāpēc viņš studē, kādi ir vērtējumu kritēriji, kā var sasniegt zināmu mērķi, rīkojoties citādāk. Veiksmīgi tika pielietotas krāsas un animācijas dialoga organizēšanai.
Tā, piemēram, mezgla krāsa ir cieši saistīts ar tā stāvokli: zaļš – sasniegts, dzeltens – nav sasniegts, balts – nav noteikts. Mirgojošs mezgls – piedāvājums konsultēties dotajā mācību programmas daļā.
Zināšanu bāzes VIPES tiek aprakstītas Prolog valodā – līdzīgs valodai EDL v.1.00. – expert description language.
Valodas EDL v.1.00. sintakse ir ļoti vienkārša un intuitīvi saprotama. Dienesta programmu blokā ietilpst arī zināšanu bāžu vizuālais konstruktors.
Priekšmetu speciālisti un pasniedzēji ir spējīgi patstāvīgi veidot un rediģēt zināšanu bāzes VIPES čaulai.

2. Apmācību ekspertsistēmas izstrādes koncepcija.

Apmācību datortehnoloģijas – jauns progresīvs virziens pedagoģijā. Uz doto brīdi šis virziens ir attīstības un tapšanas stadijā.
Apmācību sistēmu izstrāde tradicionāli tiek bāzēta uz dialoga modelēšanu, kurš sastāv no jautājumu un atbilžu struktūras virknes. Jautājumus uzdot dators, bet cilvēks atbild.
Katrs dialoga solis ir iepriekš noformulēts vai tiek dinamiski ģenerēts ar noteikumu sastādīšanas sistēmu. Tādā modelī iniciatīva ir sistēmas izstrādātājam, bet lietotājam tiek piešķirtas pasīva loma. Lai atvieglotu zināšanu kontroli, atbilde bieži ir tikai pareizas vērtības izvēle no saraksta (izvēlnes).
Trūkums ir tāds, ka lietotājs var uzminēt pareizo atbildi.
Cita, ne tik plaši izplatīta dialoga uzbūves metode ir brīva konteksta atbilde, kura tiek analizēta ar atslēgvārdu palīdzību, kurus pasniedzējs gribētu dzirdēt studenta atbildē. Šī metode tiek pielietota automatizētās apmācību sistēmās humanitārajās zinātnēs [14].
Bet ir piedāvājums mainīt dialoga virzienu tā, lai jautājumus uzdotu lietotājs un dators sniegtu atbildes. Uz saņemto atbilžu pamatā lietotājs izstrādā hipotēzes un uzdot precizējošus jautājumus, kamēr paliks tikai viena hipotēze, kura ir apmācību sistēmas darba seansa rezultāts.
Jautājumu skaits, kurus var uzdot lietotājs, ir ļoti liels. Līdz ar to rodas problēma dialoga uzturēšana ar datoru, tas ir, adekvātu atbilžu ģenerēšana uz lielāku jautājumu skaitu. Dotā problēma tiek risināta uzdevuma uzstādīšanas procesā, ko veic eksperts zināšanu bāzes formēšanas ceļā no dialoga komponentēm, kuras apraksta specifiskus noteiktus stāvokļus situācijās vai procesā.
Pie tam, izņemot pieņemtas hipotēzes patiesības bināru vērtējumu, zināšanu kvalitātes vērtējums var tikt bāzēts uz uzdoto jautājumu skaita, kā arī uz jautājumu korelāciju, kuri ir uzdotā hipotēzes kontekstā (relevanti) un kuri nav relevanti – ir ārpus dotas problēmas konteksta [17].
Tam tiek izmantota relevances matrica, pēc kuras tiek noteikta jautājuma atbilstības pakāpe modelējamai situācijai. Kad jautājums tiek uzdots sistēmai, tā salīdzina tā saturu ar zināšanu bāzes saturu, un uz salīdzināšanas pamata piešķir relevantuma pakāpi.
Ir iespējams arī ievērot jautājumu loģisko secību, tas ir, domu gājiena pareizību.
Vairāk perspektīvs apmācību ekspertsistēmu pielietojuma virziens ir medicīna, juridiskās un citas humanitāras zinātnes, kuras apmācības sistēmai jāimitē dialogs starp ārstu un pacientu, advokātu un klientu, izmeklētāju un izmeklēšanā esošu un starp citiem.
Ar mērķi aprobēt dotu pieeju, tika izstrādāta apmācību ekspertsistēmas izpētes versija. Tā ir realizēta Visual Prolog valodā un pastāv lietotāja saskarne, kura ir orientēta uz medicīnas zinātnēm. Dotas priekšmetu telpas īpašība ir tāda, ka ārsta un pacienta sadarbība netiek ierobežota ar jautājumiem un atbildēm. Sakarā ar to lietotāja saskarne ir papildināta ar uzklausīšanas, perkutēšanas, iztaustīšanas, apskates un analīžu rezultātu saņemšanas imitācijas iespēju. Atkarībā no tehniskām iespējam saņemt reālus audiovizuālus datus, kurus tad ieslēgtu zināšanu bāzē. Šie dati varētu būt fotogrāfijas, rentgenogrammas, skaņas un video ieraksti, vai arī tikai to mutvārdiskais apraksts.
Sistēmas izstrādē tika pielietota objektorientētas programmēšanas princips Visual Prolog valodas vidē. Jautājumi ir organizēti objektu hierarhijas veidā, kuriem ir savas īpašības un metodes. Īpašības – atbilstošs raksturlielumu kopums, kuri apraksta izmērāmus objekta parametrus. Metodes – tās ir darbības, kuras izpilda pats objekts, vai arī darbības, kuras var tikt izpildītas ar pašu objektu.
Hierarhijas līmeņi tiek noteikti sekojoši:
1) Jautājums ir objekts;
2) Vārdi, no kuriem sastāv jautājums – arī ir objekti, bet ir iekļauti augstākā līmeņa objektos.
Elementi, no kuriem tiek formēta zināšanu bāze, arī ir uzskatāmi par objektiem. Vārdi, kuri sastāda jautājumu ir objekta „jautājums” atvasinājumi. Elementi, no kuriem sastāv zināšanu bāze, ir objekta „zināšanu bāze” atvasinājumi.
Apmācību ekspertsistēmu pielietošana, kuras tiek uzbūvētas pēc noteiktiem principiem, mācību procesā ļauj atrast situāciju uzdevumu risinājumu.
Svarīgāka dotas pieejas priekšrocība ir iniciatīvas nodošana dialoga vešanai studējošam. Sistēmas trūkums – dators var neadekvāti interpretēt lietotāja jautājumus, bet arī šāda situācija var rosināt lietotāju skaidri, īsi un kodolīgi formulēt jautājumus [17].
Ekspertsistēma piedāvā studējošam testa uzdevumus – tādus kā „salīdzināšana pēc izcelsmes”, kuri tiek ģenerēti no jēdzienu koka.
Lietotājam tiek sniegti jēdzieni, kurus nepieciešams salīdzināt un izvēlēties vienu no četrām alternatīvām: А > B, A < B, A = B un nav salīdzināmi.
Jēdzieni tiek attēloti ekrānā dažādu modeļu veidā: jēdziena vārds, jēdziena definējums, jēdziena satura apraksts, jēdziena apakškopa (daži elementi) un citi modeļi. Jēdzienu modeļi glabājas datu bāzē kopā ar jēdzienu koku.
Ekspertsistēma izmanto divas noteikumu kopas. Vienu – testa uzdevuma izvēlei atkarībā no atbildēm uz iepriekšējiem testa uzdevumiem; te pat notiek arī testētāja atbildes precizitāte.
Otra kopa tiek izmantota testētāja (studējoša) reitinga – apmācības integrālā kritērija izskaitļošanai. Reitings tiek aprēķināts pēc studējoša dažādu raksturīpašību izpausmes. Tiek izmantotas tādas īpašības kā jēdzienu sakarību zināšana, definīciju zināšana, šo zināšanu pielietošana un citas.
Eksistē arī noteikumi, pēc kuriem tiek analizētas testētāja reitinga izmaiņas. Uz to pamata tiek pieņemts lēmums par ekspertīzes pabeigšanas.
Sistēma ir universāla: mainot jēdzienu kokus, rezultātā tiks iegūtas jaunas ekspertsistēmas jebkura mācību priekšmeta zināšanu novērtēšanai.
Taču, tradicionāli klasiskās apmācību tehnoloģijas paredz aktīvu pasniedzēju piedalīšanos mācību procesa organizēšanā, mācību materiālu sagatavošanā un plānoto mācību pasākumu kvalitatīvas izpildes kontrolē visos apmācības posmos. Pie tam persona, kas mācās, tiek pēc iespējas vairāk iesaistīta piedāvāta mācību materiāla apgūšanai.
Dotās apmācību tehnoloģijās bez pasniedzēja vai viņa ierobežotas piedalīšanās, visas mācīšanas funkcijas tiek nodotas metodiskajam nodrošinājumam, jeb apmācību datorsistēmām dažādās pakāpēs.
Visus dotā tipa ekspertsistēmu trūkumus var apvienot vienā problēmā – zināšanu modeļa neatbilstībā. Lielākā sarežģītība rodas, kas datorizēti tiek vērtētas studējošo zināšanas.
Šobrīd bieži tiek izmantotas primitīvas apmācību metodes. Šādu metožu piemērs varētu būt zināšanu testa kontrole. Zināšanu testa kontrolei, tās praktiskajā realizācijā, ir sekojoši trūkumi:
• pareizās atbildēs augsta uzminēšanas varbūtība;
• atbildes uz testa uzdevumiem bieži var iegaumēt, nevis pielietot zināšanas.
• testa kontrole nesniedz studējošam zināšanas, tā ir tikai to primitīva kontroles metode;
• nav iespējams saglabāt testa atbilžu konfidencialitāti, ja studējošo skaits ir liels;
• dialoga nepilnīgums, realizējot to ar datoru ar klaviatūras palīdzību.

Šie un citi trūkumi ir zināšanu testa kontroles nedrošības iemesls.

Ir vērts izskatīt zināšanu vērtēšanas metodikas un datoru tehnoloģijas [18]:
1) Neprecīzas zināšanu novērtēšanas modelis.
Šis modelis ir bāzēts uz neprecīzas loģikas teorijas. Metodē nepieciešams novērtēt zināšanas ballēs tradicionālās novērtēšanas sistēmā (gandrīz viduvēji, viduvēji, labi, izcili). Tiek pieņemts, ka uzdevumi, atbilžu varianti un to piederības funkcijas, kā arī to beigu novērtējums tiek izstrādāts ar pašu pasniedzēju, kurš arī veic testa kontroli. Piederības funkcijas var tikt izstrādāti uz ekspertvērtējumu pamata. Dotas metodikas pielietojums ir lietderīgs, ja testi ir sastādīti tā, ka pareizo atbilžu uzminēšana būtu gandrīz neiespējama. Piemēram, atbilstības tipa testi.
2) Zināšanu vērtēšanas interpolējošās formulas.
Šis metodes priekšrocība ir tās realizācijas vienkāršība un iespēja novērtēt zināšanas ar reitinga ballēm. Matemātiskā modeļa izveides metodikas ļauj saņemt izskaitļošanas formulas un atbilstību tabulas jebkurā zināšanu novērtēšanas sistēmā.
3) Uzminēšanas ietekmēšana uz zināšanu testa kontroles ticamību.
Dotajā metodikā tiek izskatīta uzminēšanas ietekmēšana uz zināšanu testa kontroles ticamību. Tam tiek izskaitļota patiesas atbildes uzminēšanas varbūtība kontroles dažādās disciplīnās. Ja palielināt jautājumu un iespējamo atbilžu variantu skaitu, vienalga to nevar uzskatīt par ticamības paaugstināšanas fundamentālo līdzekļi. Ir vērts ievērot, ka jautājumu un iespējamo atbilžu skaita palielinājums, var samazināt to kvalitāti, tātad arī zināšanu testa kontroles efektivitāti. Efektivitātes paaugstināšanas pamata metode ir jautājumu un atbilžu satura pilnveidošana, un uzminēšana būtu minimāli iespējama.
Tādā veidā, zināšanu novērtēšanas datortehnoloģijas ir lietderīgas jebkurās apmācībās metodikās. Tās ļauj veikt zināšanu patstāvīgu kontroli apmācību metožu pielietošanas procesā, palielināt kontroles objektivitāti, atvieglot studējoša sagatavošanās eksāmenam, nodrošina saiti no studenta līdz pasniedzējam, būtiski atvieglo pasniedzējam ieskaišu un eksāmenu pieņemšanu.
Testa kontrole ir labāka datortehnoloģiju forma zināšanu novērtēšanai. Testa kontroles izvēlēs metodikas pielietojums ir pieļaujams tikai apmācību procesā datorprogrammām, kā arī ieskaišu pieņemšanas procesā.
Taču, testa kontroles pielietojums eksāmenos, it īpaši valsts, pēc šobrīd eksistējošām tehnoloģijām, nav lietderīgs, jo šādas kontroles metodikas zinātniski vēl nav pamatotas.
Sistēmas kodols balstās uz statiskās analīzes teoriju, kas ļauj atrisināt problēmu virkni, kuras ir saistītas ar automatizētu izglītību, bet, adekvāto modeļu veidošanai ir nepieciešami programmrīki, kuri ir spējīgi adaptēties dinamiskai funkcionēšanai un pašorganizācijai. Viens no šādiem programmrīkiem ir neironu tīkli, kas realizē asociatīvas atmiņas mehānisms.

2.1. Dialoga organizācijas principi apmācību ekspertsistēmās.

Apmācību ekspertsistēmām ir ievērojama loma apmācības procesā, kura ļauj aktivizēt studējošo domāšanu, piespiež viņus meklēt uzdevumu un problēmu nestandarta risinājumus. [3, 122.]
Dotām sistēmām jāstrādā interaktīvā režīmā, tas ir, spēt apmainīties ar informāciju un slēdzieniem ar lietotāju dialoga formā. Pie tam sistēmai jāprot pieņemt datus brīvā formā – vienkāršu teikumu veidā – vest dialogu dabiskā valodā.
Tā ir nopietna problēma. Ļoti grūti iemācīt mašīnu saprast, neierobežotu nekādiem nosacījumiem, runu. Bet, ņemot vērā, ka katra ekspertsistēma tiek izstrādāta izmantošanai šaurā zināšanu jomā, šāda tehnoloģija var tikt realizēta.
Ja noteikt izpētes tēmas, ierobežot datu apmaiņu tikai ar vienkāršiem teikumiem un ierobežot šo teikumu struktūru līdz dažām nesarežģītām konstrukcijām, uzdevums salīdzinoši kļūs vieglāk atrisināms.
Informācijas uztveršanas spēja dabīgā valodā nav nepieciešama spriedumu procesiem. Tajā paša laikā, lai dialogs ar mašīnu būtu intelektuāls, tam jābūt dažam īpašībām. Piemēram, kad ekspertsistēma ved dialogu ar lietotāju pamata informācijas saņemšanai, uzdotiem jautājumiem jāatbilst situācijai, nevis jautājuma variantam no pārbaužu saraksta.
Pie tam sistēmai jānodrošina iespēja paskaidrot savas darbības, ar ko nopelnīs lielāku uzticību sev no studējošiem. Parasti eksistē divi jautājumi, kādus lietotājs gribētu noskaidrot darba laikā ar sistēmu. Kad sistēma uzdot kaut kādu jautājumu, studējošais var interesēties – kāpēc tika uzdots konkrēti šis jautājums. Kad sistēmas izdot kaut kādu slēdzienu, studējošais var interesēties – kā tika iegūts tieši šāds risinājums.
Sistēmai jānodrošina atbildes uz šādiem jautājumiem tādā veidā, lai rastos iespaids par spriedumu intelektualitāti. Atkarībā no tā, cik labi sistēma atrisinās uzdevumu, studējošais sāks ticēt vai neticēt dotas paskaidrojumam.
Pastāv arī atšķirības jautājumu uzstādīšanas laikā. Jautājums „kāpēc” tiek uzdots pašā sākumā, tad spriedumu procesā jebkurā brīdī. Jautājums „kā” parasti uzdot beigās, kas spriedumu process ir pabeigts un sistēma paziņo par rezultātiem.
Tādā veidā var izdalīt trīs intelektuālā dialoga īpašības:
1) programmas spēja saprast mutvārdu teikumu, kuri tiek uzdoti brīvā formā;
2) programmas spēja uzdot jautājumus, kuri atbilst situācijai;
3) programmas spēja sniegt savu spriedumu paskaidrojumus pēc pieprasījuma.

2.2. Apmācību ekspertsistēmu Unimath un GURU salīdzināšanas kritēriji.

Ārzemju universitātēs tika izstrādāti nelielas sistēmas, piemēram, Unimath un GURU.
Tās tiks salīdzināti pēc sekojošiem parametriem:
– sistēmas izmantošanas iespēja jebkuras disciplīnas apmācībā (universālums);
– spēja mainīt visas asociatīvas un vecākvienumu saites sistēmā pēc jauno datu ievada (dinamiskums);
– informācijas „gudras” meklēšanas esamība (asociatīvu un vecākvienumu saišu esamība starp sistēmas terminiem un jēdzieniem).

Unimath pielietošanas sfēra:
Ekspertsistēma Unimath tiek pielietota dabas zinātņu un inženieru specialitāšu studentu apmācībās matemātisko disciplīnu praktiskajās nodarbībās.
Unimath sistēmas iespējas:
Universālā apmācību ekspertsistēma sastāv no divām neatkarīgām daļām:
1. programmčaula, kura atbalsta saskarsmi ar studentu, kurai ir loģiskā izvada apakšsistēma un kura ir neatkarīga no konkrētas matemātiskās disciplīnas satura;
2. konkurētas matemātiskās disciplīnas zināšanu bāze, kura satur pamata objektu aprakstu, kuri tiek izmantoti dotā disciplīnā, disciplīnā risināmo uzdevumu klasifikācijas loģiskie noteikumi, dotās disciplīnas visu pamata metožu apraksts un uzdevumu risināšanas piemēri, definīcijas un piemēri, kuri palīdz studentam pareizi izvēlēties konkrēta uzdevuma risināšanas metodi.
Neatņemama programmu metodiskā kompleksa daļa ir individuālo semestra uzdevumu kopums, kurš tradicionāli var izskatīties izdrukas veidā. Dotajā brīdī, apmācību ekspertsistēma un zināšanu bāze „Diferenciālie vienādojumi” kursam ir pilnīgi atkļūdota un atrodas pētījumu ekspluatācijas stadijā. Katra kursa nodaļas apgūšana beidzas ar kontroldarbu mācību materiālā. Pirms kontroldarba katrs students strādā ar ekspertsistēmu divas stundas. Šis darbu seanss palīdz ieviest sistēmā un nostiprināt zināšanas un iemaņas, kuras ir iegūtas tradicionālo praktisko nodarbību laikā.
Priekšrocība:
Sistēma klasificē uzdevumus pēc tipiem, pamatojoties uz studenta atbildēm uz sistēmas jautājumiem, kā arī uz atbilstošu risināšanas metožu izvēles un paskaidrojumiem. Tas nozīmē, ka sistēma veic „gudru” informācijas meklēšanu.

Trūkums:
Sistēma ir ļoti šauri pielietojama (matemātika), kā arī satur tikai tādas praktiskas nodarbības tēmas, kuras tiek studēti augstākās izglītības iestādē, kurā ir izstrādāta dotā sistēma, tas ir, šo sistēmu nevar saukt par universālu un dinamisku, jo tā jau satur pilnu uzdevumu kopumu.

GURU pielietošanas sfēra:
Apmācības sistēma matemātikas disciplīnās un studējošo jēdzienu zināšanu novērtējumam.
GURU sistēmas iespējas:
Jēdzieni, kuri ir atlasīti no zinātnes un ieslēgti apmācību disciplīnas standarta programmā, veido apmācību sistēmas sastāvu (saturu). Mācību disciplīnās jēdzienu semantiskais tīkls satur aptuveni pusi visa mācību materiāla. Otra puse, kurā ir iekļauts zināšanu sistēmas struktūras un funkciju apraksts, nevar būt apgūta bez zināšanu sistēmas jēdzienu sastāva mācībām. Tāpēc šo zināšanu līmeņa kontrolei tehnoloģiskajā apmācību procesā ir primārā vērtība. Pieredzējošs pasniedzējs diezgan viegli, pēc dažu jautājumu uzdošanas, var novērtēt studējoša sagatavotības līmeni.
Ekspertsistēma piedāvā studējošam testa uzdevumus, saistītus ar salīdzināšanu pēc vecākvienumu atbilstībām, kuri tiek ģenerēti no jēdzienu koka. Studējošais saņem jēdzienus, kurus nepieciešams salīdzināt un izvēlēties vienu no četrām alternatīvām: А > B , A < B , A = B , nav salīdzināmi.
Jēdzieni tiek atspoguļoti uz ekrāna dažādu modeļu veidā: jēdziena nosaukums, jēdziena apraksts, satura apraksts, apakškopa un citi.
Ekspertsistēma izmanto divas noteikumu kopas.
Pirmā – kārtējā testa uzdevuma izvēlei atkarībā no atbildēm uz iepriekšējo testa uzdevumu. Tepat arī notiek studējoša atbildes pareizības analīze.
Otrā – tiek izmantota studējoša reitinga izskaitļošanai – apmācības integrālais kritērijs. Noteikumu virkne tiek izmantota studējoša reitinga izmaiņu analīzei, un uz tas pamata tiek pieņemts lēmums par apmācību pabeigšanas.
Priekšrocība:
Sistēma ir universāla: mainot jēdzienu koku, var iegūt ekspertsistēmu jebkurā mācību priekšmetā.
Trūkums:
Nav paredzēta datu bāžu struktūru koriģēšana mācību disciplīnām, kurās ir ļoti daudz formulu un vienādojumu.
2.4. „Kvalitātes vadības sistēmas ieviešana uzņēmumā” apmācības ekspertsistēmas prototipa izstrādes koncepcija.

Maģistra darba mērķis praktiskajā darbā – piedāvāt apmācību ekspertsistēmas prototipu „Kvalitātes vadības sistēmas ieviešana uzņēmumā”, kurš balstās uz ISO 9001:2000 standartu. Šis ekspertsistēmas prototips palīdzētu ieviest uzņēmumā kopējo kvalitātes vadības sistēmu.
Pēdējā laikā patērētāji lielu uzmanību pievērš iegādātas produkcijas vai saņemta pakalpojuma kvalitāti. Uzņēmumam jāzina, cik lielā mēra tā ražotais produkts vai sniegtais pakalpojums apmierina patērētāju, kā arī veidus kā uzlaboties un būt konkurentspējīgam tirgū.
Kvalitātes definīcijas:
a) Pakāpe, kādā produktam (pakalpojumam) piemītošu īpašību kopums spēj izpildīt prasības;
b) Prasība – vajadzība vai cerība, kas ir noteikta, obligāta vai vispārēji pieņemta.
Līdz šim, kvalitātes vadības sistēmu bija iespējams ieviest ar kompāniju palīdzību, kuras sniedz šādu pakalpojumu – sagatavo uzņēmumu auditam, kā rezultātā uzņēmums saņem ISO 9001:2000 atbilstības sertifikātu. Auditu vienmēr veic neatkarīga piesaistīta fiziskā vai juridiskā persona, kurai ir tiesības veikt uzņēmuma kvalitātes vadības sistēmas novērtējumu atbilstoši standarta prasībām un izsniegt šī fakta apliecinošu dokumentu – sertifikātu. Sertifikāts tiek izsniegts uz noteiktu laika posmu, bet šajā laikā posmā tiek veikt uzraudzības (pārbaudes) audits.
Lai šo uzraudzības un pārsertificēšanas auditu veiksmīgi izturētu, uzņēmumam ir nepieciešams veikt paša pārbaudi – iekšējo auditu. Iekšēja audita beigās tiek sagatavots vadības ziņojums, kurā tiek atrunāti visa uzņēmuma sasniegumi vismaz viena gada laikā.
Izstrādāta prototipa izstrādes koncepcija balstīsies uz sekojošiem ekspertsistēmu izstrādes etapiem:
1) Identifikācija;
2) Koncepta izstrāde;
3) Formalizācija;
4) Izpilde;
5) Eksperimentālā ekspluatācija;
6) Testēšana.

Tagad par darbībām katrā izstrādes etapā: kādas darbības, kāda informācija un dati ir nepieciešami.

2.4.1. Identifikācijas etaps.

Identifikācijas etapā nepieciešams izpildīt sekojošas darbības [19]:
1) Noteikt uzdevumus, kuri tiks atrisināti un izstrādes mērķus.
Mērķis:
Izstrādāt ekspertsistēmas prototipu, kurš spētu sniegt rekomendācijas uzņēmuma kvalitātes vadības sistēmas ieviešanas un tās uzturēšanas laikā, balstoties uz ISO 9001:2000 standartu. Noteikt prototipa izstrādes komandas un lietotāju sastāvu un atbildības.

Uzdevums:
Noteikt dokumentu koku, jeb uzdevumu sarakstu un atbilstoši tam veikt zināšanu bāzes aizpildi, ņemot vērā izplatītāko uzņēmumu darbības sfēru – ražošana vai pakalpojums.
Ekspertsistēmas prototips konceptuāli tiks izstrādāts uzņēmumiem, kas ražo preces un piegādā tos klientiem.

2) Noteikt ekspertus un lietotāju tipus:
Eksperti:
Prototipa izstrādei ir nepieciešama cilvēku grupa ar darba pieredzi Kvalitātes sistēmas vadībā un iekšēja audita vadības zināšanām. Ja cilvēks strādā uzņēmumā, kurš ražo preci un atbild par tas laicīgo piegādi klientam, tad tas tiks ņemts vērā kā priekšrocībā. Zināšanu līmeni var noteikt, piedāvājot viņiem piedalīties sapulcē, kuras laikā katrs dalībnieks varētu jautāt citu dalībnieku par interesējošu viņu problēmu, saistībā ar kvalitātes vadības sistēmu un tās uzturēšanu. Pēc kopējiem atsauksmju novērtējumiem, nozīmēt darba grupu.

Lietotāju tipi:
• Administrators – pilna pieeja sistēmas uzstādījumiem;
• Redaktors (pasniedzējs) – materiālu un tekstu ievads un rediģēšana, komunikācija ar visiem studējošiem un apmācību mērķu uzdošana;
• Studējošais, lietotājs – materiālu caurskatīšana, apmācību apgūšana, testēšana un komunikācijas.
Par izstrādājamās ekspertsistēmas studējošo var būt jebkurš cilvēks, kas atbildēs uzņēmumā par Kvalitātes vadības sistēmas ieviešanu un uzturēšanu. Lietotājam jābūt labam iemaņām darbā ar datoru un jāprot reāli pielietot iegūtas zināšanas. Ar prototipu varēs strādāt tikai viens cilvēks. Bet izstrādājot reālo sistēmu, varētu nodrošināt klient – servera tipa sasaisti.

3) Noteikt darbietilpību, laika ierobežojumus, ierobežojumus izmaksās un tehnikas resursus:
Darbietilpība:
Prototipa izstrādei būs nepieciešama ekspertu grupa no 2-4 cilvēkiem, zināšanu inženieris un 2-3 programmētāji.
Nav nepieciešamības izmantot vairāku cilvēku palīdzību, jo šīs sistēmas apjoms nepieprasa lielākus cilvēkresursus.

Laika ierobežojumi:
Prototipa izstrādei būtu nepieciešami aptuveni divi cilvēkgadi. Iespējams, ja darbi notiks raiti, prototipa izstrāde var ilgt pusotra gada. Šī prototipa izstrāde nevar zaudēt savu aktualitāti tāpēc, ka patērētāju tirgū pastāv diezgan nopietna konkurence starp produkcijas ražotājiem. Un klientu prasības pēc preces kvalitātes arī ir salīdzinoši augstas. Patērētāji pat gatavi maksāt nedaudz vairāk par preci, kura ir kvalitatīvāka. Taču Kvalitātes vadības sistēmas ieviešanai nav nepieciešams ieguldīt daudz finansu. Visas izmaksas attaisnojas.

Ierobežojumi izmaksās:
Tā kā sistēmas izstrādē tiek iedarbināti 5-8 cilvēki, ir nepieciešams uzturēt viņu intereses gan ar beigu rezultātu, gan ar atalgojumu.
Saistībā ar kvalitātes sistēmas ieviešanu, izmaksas varētu būt dažādas: laboratorijas testi, verifikācijas un kalibrēšanas izmaksas, pat jauno iekārtu iegāde. Kā arī atbildīgā cilvēka atalgojums. Izmaksas ir tieši atkarīgi no ražošanas nozares, preču dažādības un ražošanas apjomiem.

Tehniskie resursi:
Darbam ar prototipu ir nepieciešama datortehnika un darba telpas. Lietderīgi, izstrādājot prototipu, strādāt ekspertiem katram atsevišķajā kabinetā, bet tā, lai viņiem būtu viegli sasniedzami zināšanu inženieris un programmētāji (vienas ēkas ietvaros).

2.4.2. Koncepta izstrādes etaps.

Koncepta izstrādes etapā notiek sekojošas darbības:
1) Saturiskās problēmu analīzes veikšana:
Šīs problēmas avots varētu būt saistīts ar ekspertu nepilnīgu informācijas sniegšanu zināšanu bāzei. To iespējams izskaidrot gan ar ekspertu pieredzes vai zināšanu trūkumu, gan no psiholoģiskiem aspektiem – eksperts var neapzināti baidīties, ka viņa zināšanas un pieredze, pēc ekspertsistēmas izstrādes, nebūs nevienam vajadzīgi.
Vēl viens iespējamais trūkums varētu būt nesavlaicīga zināšanu bāzes atjaunošana. Arī standartos ir iespējami labojumi, tāpēc ir nepieciešams nodrošināt savlaicīgu likumdošanas izmaiņu izziņošanu un attiecīgus labojumus.

2) Izmantojamo jēdzienu un to sakarības noskaidrošana:
Sākumā jāizveido aprakstāmo jēdzienu un definīciju saraksts un jāapraksta aktivitātes zem katra apakšpunkta.
Jēdzienu un definīciju saraksts, noteiktas uzdevumu risināšanas metodes, kā arī tiek apzināta visa datu plūsma:

• ISO 9001:2000 standarta jēdzieni un prasības [21];
1. Informācijas avots – faili ar strukturētiem ISO 9001:2000 standarta prasību skaidrojumiem:
Darbības sfēra – nepieciešams izvēlēties no piedāvāta saraksta uzņēmuma nozari un sniegt īsu ražotas preces aprakstu.
Lietošana – šeit tiek atrunāts, ka uzņēmumā Kvalitātes sistēma izstrādāta, ieviesta un tiek uzturēta pēc standarta ISO 9001:2000 prasībām un attiecās uz pamata darbības sfēru. Šeit arī norāda, kādus standarta punktus uzņēmums nepiemēro savā darbībā.
Normatīvas atsauces – šeit tiks atlasīti visi iespējami saistošie standarti, kurus nepieciešams ievērot ražojot preci. Piemēram, ja uzņēmums ražo kaut kādus celtniecības materiālus, tad ir nepieciešams apzināt arī standarta LVS 156:2000 „Betons. Cementa java. Drošības kritēriji.” prasības.
Terminoloģija un shematiskie apzīmējumi – dotā punktā sistēma apkopos visu terminoloģiju un shematiskus apzīmējumus.
Piemēram, dokumentu saīsinātie nosaukumi:
KS – Kvalitātes sistēma;
KP – Kvalitātes sistēmas procedūras;
KSV – Kvalitātes sistēmas vadītājs;
KR – Kvalitātes Rokasgrāmata;
VM – Vadības metodikas;
AA – Amata apraksts.

Kvalitātes vadības sistēmas dokumentācijā tiek izmantotas definīcijas no standarta ISO 9000:2000 „Kvalitātes vadības sistēmas. Pamatprincipi un vārdnīca.” :
• Produkts – priekšmets, viela, pakalpojums, ko iegūst cilvēka darbības rezultātā.
• Dokuments – nosaka kādi procesi un resursi, kam un kad ir jāpielieto konkrētam projektam, procesam vai līgumam.
• Pieraksti – dokuments, kas satur sasniegtos rezultātus vai liecības par veikto darbību.
• Izmaiņas dokumentos – jebkuras izmaiņas – labošanas vai papildināšana, kuras ir veiktas
• Kontrolversija – dokumenta kopija, kurai piešķirts numurs, pēc kura identificē dokumenta turētāju (atbildīgo).
• Piegādātājs – juridiska persona, kas uzņēmuma uzdevumā, veic produkcijas vai pakalpojumu ražošanu uzņēmuma vai tā pasūtītājiem, lai nodrošinātu uzņēmuma darbību.
• Līgums – apstiprināta vienošanās starp uzņēmumu un Piegādātāju (Pasūtītāju) par pamatdarbību saistītu darbu veikšanas apjomu, saturu, izpildīšanas noteikumiem un pušu atbildību
• Kvalitātes audits – sistemātiska un neatkarīga analīze, ko veic, lai pārliecinātos, vai darbība kvalitātes jomā un iegūtie rezultāti atbilst plānotajiem pasākumiem un vai šie pasākumi ir lietderīgi un piemēroti mērķa sasniegšanai.
• Auditors – speciālists, kuram ir nepieciešamā kvalifikācija, lai veiktu iekšējo auditu.
• Novērojums – formāli nenorāda uz neatbilstību standarta prasībām, bet ir pamatotas bažas, ka, ja netiks veiktas korektīvas vai preventīvas darbības, atklātā neatbilstība var ietekmēt organizācijas spēju izpildīt standarta prasības un kļūt par neatbilstību nākotnē.
• Neatbilstība – noteikto prasību neizpildīšana. Situācija, kad uzņēmuma darbība sniedzot pakalpojumus vai veicot administratīvo darbu nav saskaņota ar noteiktajām prasībām.
• Korekcijas pasākumi – kļūdu – seku likvidēšana, kad problēma jau ir notikusi.
• Korektīvās darbības – darbības, kas tiek veiktas, lai novērstu radušās neatbilstības, defektu vai citu nevēlamu situāciju cēloņus un nepieļautu kļūmju atkārtošanos.
• Preventīvās darbības – darbības, kas tiek veiktas, lai novērstu iespējamo neatbilstību cēloņus, un nepieļautu kļūmju rašanos vai atkārtošanos.

Kvalitātes sistēma – uzņēmuma vadība, lai paaugstinātu uzņēmuma darbības efektivitāti, Klientu apmierinātību un virzītu uzņēmumu uz nepārtrauktu pilnveidošanos, pieņem lēmumu ieviest starptautisko standartu ISO 9001:2000.
Uzņēmuma vadība garantē, ka kvalitātes sistēma ir izstrādāta, tiek uzturēta, darbojas saskaņā ar standartu ISO 9001:2000.
Kvalitātes sistēma ir vērsta uz Klientu vēlmju un prasību izpildi, kā arī uz pastāvīgu uzņēmuma pilnveidošanos un attīstību.
Galvenie sistēmas pamatprincipi tiek aprakstīti Kvalitātes Rokasgrāmatā (KR) saskaņā ar Standarta ISO 9001:2000 struktūru un detalizējās pavadošajos dokumentos.
Uzņēmums darbojas pēc noteikta Biznesa procesa. Šo procesu apraksta sīki – sākot no preces ražošanas uzsākšanas līdz piegādei klientam. Ja uzņēmums ražo preci pēc pasūtījuma, tad biznesa process sākas ar pasūtījuma vai līguma noformēšanas ar klientu.

o Vispārīgi
Tiek aprakstīta Kvalitātes sistēmas darbības joma.
Uzņēmumā kvalitātes sistēmas ietvaros tiek veikta visu procesu vadība, kas ietver:
 galveno procesu identifikāciju uzņēmumā, šo procesu secības un savstarpējās saistības noteikšanu, atbildīgo un procesu kritēriju noteikšana;
 procesiem ir definēti kritēriji un noteiktas metodes, lai nodrošinātu efektīvu procesu vadīšanu;
 procesu rezultātu mērīšana un analīze;
 procesu nepārtraukta pilnveidošana, lai sasniegtu plānotos rezultātus.

o Dokumentācijas prasības.
Uzņēmuma Kvalitātes sistēmas dokumentāciju veido sekojošie dokumenti:
 Kvalitātes Rokasgrāmata:
 Kvalitātes politika un mērķi;
 KS procesu savstarpējā saistība;
 Uzņēmuma struktūrshēma;
 Prasītās obligātās dokumentētās procedūras;
 Nepieciešamie pieraksti, kas pierāda, ka Klientu prasības ir izpildītas.

Uzņēmumā tiek izstrādāta kvalitātes rokasgrāmata, kur ir aprakstīta uzņēmuma KS darbība. Tā sastāv no:
 Standarta ISO 9001:2000 elementiem;
 uzņēmuma politikas un mērķu īstenošanas apraksta;
 atsaucēm uz dokumentētām procedūrām, metodikām.

Visa nepieciešamā dokumentācija uzņēmumā tiek vadīta saskaņā ar procedūru “Dokumentu un pierakstu vadība”:
 kārtība kādā dokumentācija tiek izstrādāta un uzlabota;
 dokumentācijas saskaņošana un apstiprināšana pirms izplatīšanas;
 dokumentācijas izmaiņu identifikācija;
 dokumentācijas izmantošana un pieejamība darba vietās;
 dokumentācijas uzglabāšana un identifikācija;
 novecojušas dokumentācijas izņemšana no apgrozības.

Kvalitātes vadības sistēmas procedūras:
KP 01 Dokumentu un pierakstu vadība
KP 02 Iekšējais audits
KP 03 Neatbilstību vadība, korektīvās un preventīvās darbības

Vispārējās vadības metodikas:
VM Vadības metodikas

Tagad tiks aprakstīts katrs Kvalitātes Rokasgrāmatas apakšpunkts, lai zināšanu inženieris varētu jau shematiski veidot zināšanu bāzes struktūru.

Pārvaldības atbildība:
o Pārvaldības saistības:
Uzņēmuma vadība ir atbildīga par darbības stratēģijas noteikšanu. Par uzņēmuma vadības sistēmas modeli tiek noteikts standarts ISO 9001:2000.
Vadība nosaka un demonstrē apņemšanos īstenot uzņēmuma politiku un mērķus, pilnveidot esošo kvalitātes vadības sistēmu, skaidrojot darbiniekiem politiku un mērķus un pilnveidošanās un efektivitātes celšanas nepieciešamību, regulāri vērtējot kvalitātes vadības sistēmu (vadības pārskati; auditi), lai novērtētu tās efektivitāti.

o Orientācija uz klientu:
Uzņēmuma vadība savā darbībā ievēro Klientu mainīgās prasības un vēlmes attiecībā pret produktu un pakalpojumu, to klāstu, kā arī kvalitātes kritēriju mainīgumu.
Vadība nodrošina, ka klientu vēlmes tiek noteiktas un pārvērstas prasībās, kā arī klientu prasības ir izpildītas.
o Kvalitātes politika:
Uzņēmuma kvalitātes politika tiek virzīta uz to, lai nodrošinātu un uzturētu uzņēmuma reputāciju kā uzticams partneris biznesā, kas apņemas izpildīt visas noteiktās prasības, ņemot vērā katra klienta individuālās vēlmes. Politika atbilst un nodrošina uzņēmuma darbības mērķu realizāciju, virza uzņēmumu uz nepārtrauktu pilnveidošanos un efektivitātes celšanu. Politika tiek pārskatīta vienu reizi gadā.

o Plānošana:
Uzņēmums nosaka attīstības mērķus, lai nodrošinātu efektīvu uzņēmuma attīstības plānošanu tā, lai sasniegtu noteikto uzņēmuma kvalitātes politikā.
Uzņēmums plāno kvalitātes sistēmas procesus, nepieciešamos resursus un nepārtrauktu kvalitātes sistēmas uzlabošanu.
Vienu reizi gadā tiek pārskatīta kvalitātes politika, lai plānotu uzņēmuma attīstības jomas turpmākajos gados un sasniegtu noteiktos mērķus.
Vienu reizi gadā tiek pārskatīti attīstības mērķi, lai novērtētu to sasniegšanas stadiju, kā arī tiek plānots budžets un resursi nākamajam gadam.
Vadība periodiski vismaz vienu reizi gadā veic kvalitātes sistēmas īstenošanas un izmaiņu plānošanu.

o Atbildība, pilnvaras un komunikācijas:
Vadība nodrošina, ka uzņēmumā definētās atbildības un tiesības ir zināmas visā organizācijā. Darbinieku atbildība, tiesības un kvalifikācija ir noteiktas amata aprakstos, par kuru izstrādi un pilnveidošanu ir atbildīgi tiešie vadītāji. Kvalitātes sistēmas procedūrās un metodikās ir noteiktas atbildības par noteiktu procesu realizāciju.

Pārvaldības pārstāvis (kvalitātes sistēmas vadītājs) ir atbildīgs par:
 kvalitātes sistēmas ieviešanu, uzturēšanu un pilnveidošanu saskaņā ar kvalitātes sistēmas ISO 9001:2000 prasībām;
 ziņojumu sniegšanu vadībai par kvalitātes vadības sistēmas ieviešanas gaitu un pilnveidošanās nepieciešamību;
 klienta prasību izpratnes nodrošināšanu visā uzņēmumā.
Uzņēmuma vadība nodrošina nepieciešamo iekšējo komunikāciju starp dažādiem uzņēmuma līmeņiem un funkcijām, lai uzturētu komunikāciju par kvalitātes vadības sistēmas efektivitāti.
Komunikācija notiek horizontālā un vertikālā virzienā, izmantojot sekojošu iekšējās saziņas līdzekļus:
 Ikdienas komunikācijas – katrs vadošais darbinieks nodod informāciju attiecībā uz noteiktajiem mērķiem un uzdevumiem sev padotajiem darbiniekiem un izskaidro tos. Attiecīgi no darbiniekiem tiek saņemta atgriezeniskā saite par nepieciešamajiem resursiem un problēmām noteikto procesu, mērķu un uzdevumu izpildē. Informācijas apmaiņai darbinieki izmanto arī sakaru līdzekļi;
 Sanāksmes – uzņēmumā regulāri notiek vadošo darbinieku sanāksmes, kurās tiek plānots un organizēts darba process, analizētas problēmas, kas rodas produkta ražošanas un pakalpojuma sniegšanas laikā.

o Vadības pārskats:
Vismaz reizi gadā uzņēmuma vadībai jāveic kvalitātes vadības sistēmas pārskats, lai nodrošinātu nepārtrauktu sistēmas efektivitāti, tās piemērotību uzņēmuma vajadzībām un atbilstību Klientu un likumdošanā noteiktajām prasībām. Vadības pārskata kopsavilkumu veic Kvalitātes sistēmas vadītājs.
Tiek analizēti sekojošie ieejas dati:
 Noteiktas rīcības, kas varētu ietekmēt kvalitātes sistēmas uzlabošanos, pilnveidošanos, attīstību;
 Pilnveidošanās rekomendācijas.
Vadības pārskata rezultātā tiek pieņemti un dokumentēti lēmumi, kas aptver:
 pasākumus procesu un produktu/pakalpojumu atbilstības uzlabošanai;
 nepieciešamajām preventīvajām darbībām, kas veicinātu uzņēmuma efektivitātes paaugstināšanu;
 kvalitātes vadības sistēmas efektivitātes uzlabošanu un noteikto uzlabošanas darbību nodrošināšanai ar resursiem;
 klientu apmierinātības nodrošināšanas (produktu un pakalpojumu) pasākumiem;
 kā arī veikta kvalitātes politikas un mērķu aktualizācija.
Pēc vadības pārskata rezultātiem vadības priekšsēdētājs pieņem lēmumus, saistībā ar virzību uz pilnveidošanos, uzņēmuma darbību kopumā, produkcijas kvalitātes nodrošināšanu.
Analīzes rezultātā iespējamas izmaiņas dokumentācijā, kas jāveic atbilstoši procedūrai „Dokumentu un pierakstu vadība”.
Uzņēmuma ieinteresētie (vadošie) darbinieki tiek iepazīstināti ar vadības pārskatu. Vadības pārskats glabājas pie kvalitātes sistēmas vadītāja.

Resursu pārvaldība:
o Resursu nodrošināšana:
Uzņēmums šeit nosaka resursus, kas ir nepieciešami, lai uzlabotu klientu apmierinātību un kvalitātes vadības sistēmas nodrošināšanu, uzturēšanu un uzlabošanu.
Resursi (cilvēki, vide, infrastruktūra) tiek nodrošināti, lai īstenotu uzņēmuma politiku un nospraustos mērķus, īstenotu klientu vēlmes un prasības pret produktu/pakalpojumu.
Uzņēmumā tiek noteikti un paredzēti atbilstoši cilvēkresursi, kas nepieciešami:
 lai īstenotu uzņēmuma politiku un mērķus;
 veidotu atbilstošas kvalitātes produktus/pakalpojumus;
 lai palielinātu klientu apmierinātību.

o Cilvēku resursi:
Uzņēmuma vērtīgākais īpašums ir kompetents un motivēts personāls. Kompānijai jāvelta īpaša uzmanība atbilstošai izglītībai, apmācībai un pieredzei. Uzņēmumam jāgarantē, ka darbinieki, kas ir iesaistīti procesos un ietekmē produkta/pakalpojuma kvalitāti ir kompetenti.
Uzņēmumā ir jāizveido amata apraksti, kur nosaka darbinieku kompetenci, prasmi un pieredzi, kā arī izglītības atbilstību noteiktajām uzņēmuma prasībām. Papildprasības pret personālu tiek iekļautas procedūrās un metodikās.
Uzņēmuma darbiniekus jāinformē par uzņēmuma politiku un mērķiem.
Tiek uzturētas izglītības, apmācības, pieredzes un kvalifikāciju apstiprinoši protokoli (pieraksti), kas glabājas pie atbildīgā darbinieka. Amatu apraksti glabājas pie kvalitātes sistēmas vadītāja.

o Infrastruktūra:
Uzņēmumā nepieciešams uzturēt infrastruktūru un darba vidi, kas nepieciešama, lai nodrošinātu noteiktā līmeņa produktu/pakalpojumu. Infrastruktūra sastāv no darba telpām, celtnēm, procesa iekārtām, instrumentiem un programmatūras, atbalsta servisa (transports, telefons, dators un citi). Lai nepārtraukti uzturētu un pārliecinātos par iekārtu drošumu un precizitāti, tiek uzturēti un veikti pieraksti.

o Darba vide:
Darba vide sastāv no apgaismojuma, skaņas, siltuma, tīrības, ventilācijas, mikroklimata un cita. Par darba vidi atbildīgs Darba aizsardzības inženieris, kuru .
Nepieciešamās uzņēmuma infrastruktūras un darba vides prasības tiek īstenotas saskaņā ar likumdošanas prasībām.
Uzņēmuma infrastruktūras un darba vides sakārtošanai nepieciešamie līdzekļi un projekti tiek īstenoti saskaņā ar pieņemto budžetu.

Produkta īstenošana:
o Produkta īstenošanas plānošana:
Mērķis – uzņēmuma procesu īstenošana, lai nodrošinātu produktu atbilstoši klienta prasībām.
Uzņēmumā tiek plānots un attīstīts biznesa process, kas nepieciešams produkta/pakalpojuma īstenošanai (skat attēlu iepriekš).
Plānojot produktu/pakalpojuma īstenošanu, procesos tiek ietverti:
 mērķi un prasības to sasniegšanai, kā arī resursi;
 procesa izstrādei nepieciešamā dokumentācija, lai iegūtu pārliecību, ka visas prasības ir izpildītas;
 ar monitoringu saistītās darbības (tai skaitā uzņēmumā noteiktās produkcijas/pakalpojuma pārbaudes metodes);
 pieraksti, kas apliecina produkcijas/pakalpojuma atbilstību klienta prasībām un tehnoloģiskajam procesam.

o Ar klientiem saistītie procesi:
Lai uzņēmuma klienti būtu apmierināti ar piedāvāto produkciju, uzņēmums veido individuālu pieeju katram klientam, viņa vēlmēm un prasībām. Sākot strādāt ar klientu, tiek noteiktas precīzas prasības produkcijai/pakalpojumam. Par noteiktajām klientu vēlmēm tiek informētas atbildīgās personas, kuru mērķis ir nodrošināt klientu vēlmju apmierināšanu saskaņā ar uzņēmuma iespējām.
Organizācijai jānodrošina un jāuztur attiecīgās procedūras un metodikas, lai tās nodrošinātu klientu prasībām atbilstošu produktu/pakalpojuma izstrādi.
Komunikāciju ar klientu savas kompetences, atbildības un pilnvaru robežās veic darbinieki, kuri ir atbildīgi par informācijas apmaiņu ar klientu saistībā ar produktu/pakalpojumu, pasūtījuma izpildes gaitu, sūdzībām vai citiem jautājumiem.
Gadījumā, ja mainās kāda no klienta pasūtītā produkta/pakalpojuma īpašībām vai prasībām, tad ar klientu sazinās, un notiek vienošanās par turpmāko rīcību.
Komunikācija ar klientu var tikt veikta mutiski, lai nodrošinātu pasūtījumu pieņemšanu un nodošanu.

o Sagāde:
Ja uzņēmums iepērk izejvielas, tad tiek vadīti iepirkumu procesi, lai nodrošinātu produkta un pakalpojuma atbilstību uzņēmuma prasībām.
Kvalitātes sistēmas vadītājs seko, lai iepirktiem pakalpojumiem/produktiem būtu kvalitāti apliecinošu dokumenti.
Uzņēmumā tiek novērtēti, izvēlēti piegādātāji pēc noteiktiem kritērijiem – cena, piegāde, kvalitāte.
Atbildīgā persona par iepirkumiem uzkrāj visas neatbilstības, lai veiktu piegādātāju novērtējumu. Piegādātāju novērtēšanas kritēriji tiek ierakstīti „Piegādātāju reģistrā”, problēmas – „Problēmas, veicot pasūtījumu/pirkumu”. Tas tiek pārskatīts 1 reizi gadā.
Uzņēmumā iepirktos izejmateriālus novērtē pēc likumdošanas un klienta prasībām. Materiālus izvērtē saskaņā ar piegādātās produkcijas pavadlapām. Tas ir nepieciešams, lai nodrošinātu produkcijas atbilstošu kvalitāti.

o Ražošanas nodrošināšana:
Lai uzņēmums veiksmīgi un efektīvi plānotu, attīstītu un pilnveidotu savas produkcijas ražošanu, jāizmanto:
 Metodikas, procedūras aprakstus, lai sasniegtu produkcijas/pakalpojuma kvalitāti;
 Amata aprakstus, kas ietver darbinieku rīcību pienākumu pildīšanai;
 Produkta validēšana ir iestrādāta uzņēmuma pamata procesos, kā arī metodikās.
Ražošanas procesam noteikti procesa vadības sasniegtie parametri tiek reģistrēti. Visa šī informācija dod iespēju izzināt iespējamos neatbilstības cēloņus.
Validācija (kontrole) garantē, ka produkcija apmierina klienta prasības un vēlmes.
Uzņēmumā ir jābūt noteiktiem gatavās produkcijas identifikācijas, rīkošanās, iepakošanas un uzglabāšanas pasākumiem, piegādājot produkciju klientam. Produkcija tiek iepakota atbilstoši Klienta prasībām saskaņā ar uzņēmumā noteikto kārtību. Identifikācija un izsekojamība nodrošina to, ka visa saražotā produkcija ir pilnībā identificējama un izsekojama pēc attiecīgiem pierakstiem.

o Monitoringa un mērīšanas iekārtu vadība:
Uzņēmums ražošanas īstenošanas un pakalpojuma sniegšanas procesos nosaka nepieciešamos mērījumus un atbilstošās iekārtas to veikšanai, lai nodrošinātu Klienta prasībām atbilstoša produktu/pakalpojumu, kā arī LR likumdošanas prasību izpildi.

Mērīšana, analīzes un uzlabošana:
o Vispārīgi:
Uzņēmums plāno un ir ievieš monitoringa, mērīšanas, analīzes un uzlabošanas procesus, lai uzskatāmi atspoguļotu produktu/pakalpojuma atbilstību, nodrošinātu kvalitātes sistēmas atbilstību, kā arī pastāvīgi uzlabotu kvalitātes sistēmas efektivitāti.
Metodes, ar kuru palīdzību tiek identificētas pilnveidošanas jomas ir:
 Korektīvās un preventīvās darbības;
 Audits.

o Monitorings un mērīšana:
Uzņēmumā regulāri jāmēra klientu apmierinātība, kas attiecas uz produkciju/pakalpojumu. Šī informācija tiek apkopota un izskatīta vadības pārskatā.
Uzņēmumā tiek plānots un veikts audits saskaņā ar procedūru “Iekšējais audits”. To veic, lai novērtētu kvalitātes sistēmas darbību un noteiktu uzņēmuma pilnveidošanas iespējas. Auditā tiek iesaistīti apmācīti darbinieki, kuri tieši nav saistīti ar auditējamām jomām.
Iekšējais audits aptver visus procesus, kas saistīti ar uzņēmuma noteiktās kvalitātes sistēmas sfēru. Procedūra saistoša uzņēmuma darbiniekiem, kas iesaistīti iekšējā audita plānošanā un veikšanā.
Uzņēmuma monitoringa un mērīšanas rezultāti tiek apspriesti un analizēti vadības sapulcēs un kalpo par vadības pārskata ieejas informāciju.
Tādā veidā tiek identificēti nepieciešamie uzlabojumi un veikti plānotie un nepieciešamie pasākumi. Katram procesam noteiktais procesa vadītājs periodiski veic tā monitoringu, lai novērtētu vai tas darbojās pēc noteiktajām prasībām, lai nodrošinātu to, ka visas iespējamās neatbilstību rašanās vietas tiktu laicīgi identificētas un vērstas uz pilnveidi. Produkta ražošanas un pakalpojuma sniegšanas procesā tiek reģistrētas produkta īpašību izmaiņas un svārstības, un veiktas nepieciešamības darbības, vai novērstu neatbilstību rašanos.
Uzņēmumam regulāri jāveic produkcijas, kā arī ekspluatācijas iekārtu, īpaši to, kuras varētu negatīvi ietekmēt produkcijas kvalitāti, apskate un pārbaude Noteiktā kārtība garantē atbilstību kvalitātes prasībām. Visas pārbaužu atskaites tiek saglabātas.

o Neatbilstību vadība:
Produkta ražošanas un pakalpojuma sniegšanas pārbaudēs atklātās neatbilstības jāreģistrē un jāveic rīcības saskaņā ar procedūru „Neatbilstības, korektīvās un preventīvās darbības”, kas nosaka rīcību ar neatbilstošu produktu/pakalpojumu, kā arī korektīvo un preventīvo darbību veikšanu, lai neatkārtotos kļūdas ražošanas vai citos uzņēmuma procesos.
Katram darbiniekam uzņēmumā ir pienākums ziņot par konstatētu neatbilstību. Lietderīgi uzturēt pierakstus par rīcībām ar neatbilstošu produktu.

o Datu analīze:
Uzņēmums nosaka nepieciešamo datu apkopošanas informācijas avotus un periodiskumu, lai novērtētu uzņēmuma esošo darbību un noteiktu jomas, kur nepieciešami papildus resursi un/vai pilnveidošanās.
Datu analīzē tiek nodrošināta informācija, kas attiecas uz:
 Klientu apmierinātību;
 Produkta/pakalpojuma prasību izpildi;
 Procesu un produkta/pakalpojuma raksturlielumiem, lai veiktu preventīvās darbības;
 Finansiāliem rādītājiem;
 Piegādātājiem.

o Uzlabošana:
Uzņēmumā tiek nepārtraukti pilnveidota tā darbība caur kvalitātes politiku, kvalitātes mērķiem, audita rezultātiem, datu analīzi, korektīviem, preventīviem pasākumiem un vadības pārskatu, lai panāktu efektīvu kvalitātes vadības sistēmas darbību.
Ikviens uzņēmuma darbinieks ir tiesīgs iesniegt savus priekšlikumus nepieciešamajām kvalitātes sistēmas procesu un dokumentācijas izmaiņām un pilnveidei.
Uzņēmumā darbojas procedūra “Neatbilstības, korektīvās un preventīvās darbības”, lai noteiktu neatbilstību cēloņus un novērstu neatbilstību atkārtošanos.
Uzņēmums ir vērsts uz pastāvīgu KS efektivitāti. Uzņēmumā pastāvīgi ar neatbilstību vadības, korektīvo un preventīvo darbību palīdzību uzlabo kvalitātes pārvaldības sistēmas efektivitāti. Preventīvās darbības tiek koncentrētas uz riskiem un galvenajiem problēmu cēloņiem, tās uzlabo kvalitātes sistēmas efektivitāti. Preventīvās darbības var ierosināt jebkurš uzņēmuma darbinieks.
Uzņēmuma vadība un personāls darbojas, lai noteiktu un izslēgtu potenciālo neatbilstību rašanās iemeslus.
Preventīvo darbību izstrādes avoti ir:
1) vadības pārskats;
2) klientu apmierinātības analīze;
3) procesu efektivitātes analīze;
4) korektīvo darbību atskaites.
Preventīvo darbību vadība ir reglamentēta procedūrā „Neatbilstību vadība, korektīvās un preventīvās darbības”.
2.4.3. Formalizācijas etaps.

Formalizācijas etapā notiek sekojošas darbības:
• Tiek izvēlēti instrumentālie līdzekļi:
Zem instrumentāliem līdzekļiem saprot programmēšanas valodas un vaicājumvalodas. Pēc autora domām, piemērotākā programmēšanas valodas un vaicājumvalodas būtu C#, JavaScript un objektu aprakstoša valoda XML.

• Tiek noteikti dažādu zināšanu veidu atspoguļošanas metodes [19]:
Zināšanu veidi pēc satura:
• jēdzieni – tiek atspoguļoti kā kaut kāda objekta tekstuālais apraksts;
• konstruktīvās zināšanas – tiek atspoguļotas kā objektu struktūra un savstarpējām sakarības;
• procedūru vai darbību zināšanas – lietotājs tiek informēts, kas un kurā brīdī notiek un ko nepieciešams veikt, lai sasniegtu rezultātu;
• objektu raksturojošās zināšanas – nepieciešams atspoguļot, lai ekspertsistēma būtu spējīga labi orientēties objektu aprakstos un attiecīgi sniegt informāciju par darbībām ar tiem;
• verbālās zināšanas iedalās kvantitatīvajās un kvalitatīvajās zināšanās. Šīs zināšanas sākumā tiek ierakstīt teksta formātā. Tad notiek zināšanu inženiera un eksperta sadarbība, lai noskaidrotu – kādā veidā labāk to ienest ekspertsistēmas zināšanu bāzē, lai meklēšanas process būtu pēc iespējas ātrs un rezultatīvs.

Zināšanu atspoguļošana ir zināšanu atspoguļošana veidā, kādā ar to var strādāt dators.
Izdala četru veida zināšanu atspoguļošanas shēmas:
• Loģiskās (predikātu rēķini, izteikumu rēķini)
• Tīklveida (semantiskie tīkli, asociatīvie tīkli, konceptuālie grafi)
• Proceduru (if.. then likumi)
• Strukturizētās (scenāriji, freimi)

Semantiskajos tīklos pastāv sekojošie attieksmju veidi:
• Klase – Superklase (darbinieki ir uzņēmuma resurss);
• Ir piemērs/eksemplārs (Jānis ir administrācijas darbinieks);
• Vesels – Daļa (Ūdens ir ražotās preces sastāvdaļa);
• Objekts – Īpašība (Ūdens – nepieciešama ražošanai temperatūra);
• Īpašība – Vērtība (Temperatūra – nemazāka par 20°C);
• Loģiskas attieksmes UN, VAI, Nē;
• Lingvistiskas attieksmes (paraksta, apstiprina, sagatavo un tā tālāk).

Pastāv četras operācijas:
• Kopēšana;
• Savienošana;
• Vienkāršošana;
• Ierobežošana.

Freims – vispārīgā gadījumā šīs jēdziens nozīmē struktūru, kura satur kaut kādu informāciju. Sistēmanalīzē un zināšanu inženierijā freims ir struktūra, kura satur objektu aprakstu to atribūtu un vērtību veidā un var saturēt:
• Identificējošo informāciju (nosaukumu);
• Informāciju par attieksmēm ar citiem freimiem (superklase);
• Īpašības un tās vērtības;
• Trūkstošo informāciju;
• Proceduru informāciju.

• Tiek formalizēti pamatjēdzieni:
Pamatjēdzieni vārdiskā formā tiek aprakstīti gari un sarežģīti. Tāpēc, nepieciešams esošus pamatjēdzienus sakārtot un izveidot saiti starp objektu un to aprakstu. Notiek arī semantiskā apstrāde.

• Tiek noteiktas zināšanu interpretācijas metodes:
Formālā interpretācija – sakarības noteikšana starp objektiem un to īpašībām. Tiek noteiktas patiesas un aplamas vērtības konkrētā gadījumā.
Aprakstošā interpretācija – formālās interpretācijas tips, kas strādā ar nematemātiskajiem objektiem.

• Tiek modelēta sistēmas darbība un tiek novērtēts sistēmas adekvātums:
Izstrādātais sistēmas prototips sastāv no sekojošiem pamata blokiem [20]:
• testu un mācību materiālu failu sistēma;
• apmācības un testēšanas datu bāze;
• datu analīzes konsole (kur dati ir testēšanas rezultāti, pēc kuriem tiek noteikts apmācības līmenis);
• dienesta modulis.
2.4.4. Apmācību ekspertsistēmas prototipa struktūra.

2.4.4.1.attēls. Apmācību ekspertsistēmas prototipa struktūra.

• Darba atmiņa, tā saucamā datu bāze:
Darba atmiņā tiek glabāti visi dati par reģistrētiem lietotājiem, zināšanu novērtēšanas testi un testēšanas rezultāti.

• Dialoga komponente:
Dialoga komponente tiek orientēta uz draudzīgas saskarnes organizāciju ar lietotāju apmācību uzdevumu risināšanas laikā, zināšanu ieguves procesā un darba rezultātu paskaidrošanā.

• Zināšanu bāze;
Zināšanu bāze ekspertsistēmās ir paredzēta ilglaicīgu (nevis tekošo) datu glabāšanai, kuri apraksta pētāmo jomu, kā arī noteikumu glabāšanai, kuri apraksta jebkādus pārveidojumus dotajā jomā jeb sfērā. Tādā veidā šeit tiek uzglabāti visi saistošie standarti, tai skaitā arī ISO 9000:2001.
Papildus dati tiek glabāti par uzņēmuma darbības sfērām un attiecīgiem ražošanas veidiem. Ir nepieciešams glabāt arī profesiju klasifikatoru, jo tas ir pamats amatu aprakstu veidošanai.

• Risinātājs (interpretators):
Interpretators, izmantojot sākuma datus no darba atmiņas un zināšanas no zināšanu bāzes, veido noteikumu secību, kuri tiek pielietoti sākuma datiem, un līdz ar to tiek iegūts uzdevuma risinājums.
Interpretators, izmantojot lietotāja sākuma testa rezultātus, nosaka lietotāja sagatavotības un zināšanu līmeni. Un attiecīgi veido apmācības programmu individuāli katram lietotājam.

• Zināšanu ieguves komponentes:
Zināšanu ieguves komponente automatizē ekspertsistēmas zināšanu uzkrāšanas procesu, kuru realizē lietotājs – eksperts. Komponentes būtība ir tāda, ka, ja notikušas kaut kādas izmaiņas likumdošanā un tika veikti grozījumi standartos, vai standarts ir atzīts par spēku zaudējušo, eksperts var mainīt zināšanu bāzes sastāvu.

2.4.5. Sistēmas darbības shēma.
2.4.5.1.attēlā var redzēt sistēmas darbības shēmu.

2.4.5.1.attēls. Sistēmas darbības shēma.

1. Lietotāja reģistrācija un autorizācija – 1.solī lietotājs reģistrējas un zem sava ieejas vārda un paroles sāk lietot sistēmu;
2. Ieejas testēšana – lai sastādītu lietotāja individuālu apmācību programmu, sākumā ir nepieciešams noteikt viņa sagatavotības un zināšanu līmeni;
3. Apmācību mērķa izvēle – pēc tā, kad ir noteikti lietotāja zināšanas – sistēma piedāvā individuālas apmācības programmas;
4. Lekciju kursa apgūšana pēc sadaļu koka – attiecīgi tiek veidots sadaļu koks, ar kura palīdzību notiek apmācība pa etapiem, aprakstot katru standarta punktu;
5. Testēšana un diagnostika – katras koka sadaļas beigās ir testēšana – cik lielā mērā lietotājs ir apguvis doto tematu, pēc rezultātiem sistēma nosaka, vai turpināt apmācības tālāk, vai arī veikt atkārtoto kursa apguvi;
6. Zināšanu bāzes papildināšana – apmācību beigās notiek sistēmas zināšanu bāzes papildināšana.

Lekciju kursa sadaļu koks

2.4.5.2.attēls. Sadaļu koks.

2.4.5.2.attēls. Sadaļu koks (turpinājums).

Katrā no šiem punktiem tiek aprakstīti atbilstošas pamatdarbības un jēdzieni, kā arī ir pievienotas norādes uz informācijas avotu, piemēram uz ISO 9001:2000 standarta attiecīgu prasību specifikāciju.
Bet pirms uzsākot apmācības, lietotājs nokārto testu, pēc kura rezultātiem sistēma noteiks, kāds lietotājam ir sākotnējais zināšanu līmenis. Tad tiek noteikti konceptuālā grafa mezgli, kuri apzīmē apmācību mērķus, un formēta individuālā apmācību programma.
Individuālā apmācību programma ir ceļš pa konceptuālā grafa mezgliem līdz mērķa konceptam. Apmācību programmas izveide tiek nodrošināta ar izvada sistēmu, pie tam tiek izmantoti sekojoši noteikumi:
• Pēc ieejas testēšanas rezultātiem tiek noteikts – kādus jēdzienus lietotājs apgūst ātrāk;
• Par sākuma mezglu tiek izvēlēts mezgls ar maksimālu vērtību, kura tika iegūta ieejas testēšanas rezultātā;
• Ceļam grafā tiek izvēlēti mezgli ar jēdzienu lielākām vērtībām;
• Tik izmantota arī informācija par to, kādus jēdzienus lietotājs apgūst labāk un ātrāk.
Lietotāja saskarne sastāv no sekojošām sadaļām:
Priekšmetu navigators;
Tezaurs (vārdnīca) ar alfabēta radītāju;
Lietotāja apmācību programma;
Testēšanas un diagnostikas sistēma;
Komunikators;
Sistēmas uzstādījumi (pieejas tiesības tikai administratoram);
Palīdzība darbā ar programmu.

2.4.6. Izpildes etaps.

Izpildes etapā, kas ir svarīgākais un darbietilpīgākais, eksperts aizpilda zināšanu bāzi, pie tam zināšanu uzkrāšanas procesu realizē zināšanu inženieris un to sadala sekojoši:

• Zināšanu iegūšana, kurus sniedz eksperts:
Eksperti sniedz savas zināšanas gan mutiski, gan dokumentēti elektroniskā veidā. Tad failu veida šīs zināšanas tiek integrēti sistēmas zināšanu bāzē, kur pēc iebūvēta datu interpretācijas mehānisma notiek datu integrācija kopējā sistēmas darbībā. Elektroniskā dokumenta struktūru uzdot zināšanu inženieris, kurš izprot datu glabāšanas organizāciju zināšanu bāzē.

• Zināšanu organizācija, kas nodrošina ekspertsistēmas efektīvu darbību:
Organizēt zināšanas ekspertsistēmas prototipā ir zināšanu inženiera uzdevums. No zināšanu organizācijas ir atkarīga sistēmas kopējā darbība. No tā, cik efektīvi ir realizēti datu uzglabāšana, atlase, meklēšana un citi datu apstrādes procesi, ir atkarīga sistēmas ātrdarbība un advekātums.

• Zināšanu organizācija tā, lai tās būtu saprotamas ekspertsistēmai:
Šeit notiek zināšanu inženiera un programmētāju sadarbība. Zināšanu inženieri daļēji var uzskatīt par sistēmas analītiķi, jo viņš atbild par kopēju sistēmas struktūru un tās sniegtu beigu rezultātu.
Programmētāju pienākums ir ievērot lietotāja saskarnes prasības, konsultēties par datu optimālāku uzglabāšanu un vaicājumu struktūru. Ekspertsistēmas prototipu lietderīgi realizēt pa daļām, lai varētu veikt savlaicīgu testēšanu. Tāda pieeja ļautu izvairīties no lielākām sistēmas kļūmēm.

2.4.7. Eksperimentālās ekspluatācijas etaps.

Eksperimentālās ekspluatācijas etapā tiek pārbaudīts ekspertsistēmas pielietojums gala lietotājiem. Pēc dotā etapa rezultātiem ir iespējama būtiskā ekspertsistēmas modernizācija.
Dotajā etapā tiktu piesaistīti vairāki lietotāji, kas ir ieinteresēti apgūt kaut ko jaunu ar datora palīdzību. Pēc lekciju kursa beigšanas, lietotājam tiks piedāvāts tests, pēc kura rezultātiem tiks spriests – cik lielā mērā lietotājs ir apguvis materiālu, un cik kompetents viņš kļuva pēc dialoga un darba ar ekspertsistēmas prototipu.
Iespējams, pēc prototipa eksperimentālās ekspluatācijas, tiks laboti un papildināti kādi ekspertsistēmas moduļi.

2.4.8. Testēšanas etaps.

Testēšanas etapā eksperts un zināšanu inženieris ar dialoga un skaidrojošo līdzekļu izmantošanas palīdzību pārbauda ekspertsistēmas kompetenci.
Testēšanas process tiek turpināts tik ilgi, kamēr eksperts nolems, ka ekspertsistēma tik tiešām ir sasniegusi nepieciešamas kompetences līmeni.
Lietotāja apmācību līmenis tiek noskaidrots ar beigu testa nokārtošanu. Ekspertsistēmas prototipam arī jāprot sniegt savu spriedumu par to, cik lielā mērā (procentuāli) cilvēks ir ieguvis dziļākās zināšanas, salīdzinot ar ieejas testa rezultātiem.

2.5. Programmnodrošinājuma izstrādes kvalitatīvais aspekts.

Lai varētu programmnodrošinājuma izstrādes beigās spriest cik efektīvi un kvalitatīvi tas ir veidots, nepieciešams plānot arī projekta kvalitātes vadību.
Kvalitātes plānošana ir kvalitātes plāna izstrādes process realizējamam projektam. Kvalitātes plāns satur programmnodrošinājuma vēlamas īpašības un apraksta, kā šīs īpašības tiek novērtētas. Šīs īpašības definē arī augstas kvalitātes programmnodrošinājumu. Bez dotā veida definīcijām, inženieri var būt ar dažādiem priekšstatiem kā optimizēt produkta atribūtus.
Kvalitātes plāns satur organizācijas standartus, kuri ir atbilstoši specifiskajam produktam un attīstības procesam. Ja projekta ietvaros tiek izmantotas jaunas metodes un jauni rīki, tad, iespējams, būs nepieciešams izstrādāt jaunus standartus.
Kvalitātes plāna struktūrshēma:
1. Produkta vadība. Produkta apraksts, tā izmantošanas tirgus un gaidāmi kvalitātes radītāji;
2. Produkta plānošana. Produkta kritiskie datumi laišanai tirgū un pienākumu un atbildības sadale produkta apkalpošanai.
3. Procesa apraksti. Izstrādes un apkalpošanas procesi tiek izmantoti arī produkta izstrādei un vadībai.
4. Kvalitātes mērķi. Kvalitātes mērķi un plāni, izvirzītie produktam, satur kritisku produkta atribūtu aprakstus.
5. Riski un risku vadība. Riski, kuri var ietekmēt produkta kvalitāti un darbības, lai šos riskus novērstu.
Kvalitātes plāni ir atkarīgi no izstrādājamās sistēmas apjoma un tipa. Taču rakstot kvalitātes plānu ir jāievēro – tam jābūt pēc iespējas īsākam un konkrētam. Ja teksts ir pārāk garš, tad cilvēki to nelasīs uzmanīgi, un kvalitātes plāns nesasniegs mērķi.
Pastāv diezgan plašs potenciāla programmnodrošinājuma kvalitātes īpašību klāsts, kurus nepieciešams apskatīt izstrādes laikā. Tos var apskatīt 2.5.1. tabulā.

2.5.1. tabula
Programmnodrošinājuma kvalitātes īpašības
Drošība Saprotamība Pārnesamība
Aizsardzība Testējamība Lietojamība
Uzticamība Piemērošanās Atkārtota lietojamība
Elastīgums Modularitāte Produktivitāte
Robustums Komplicētība Apmācības iespējas
Kā pieredze rāda, nav iespējams pielāgot katru sistēmu tā, lai kvalitātes īpašības varētu apmierināt pasūtītāja vajadzības pilnā mērā. Tādā gadījumā lietderīgi izvirzīt tās galvenās un svarīgākās īpašības izstrādājamam programmnodrošinājumam.
Kvalitātes plānā jābūt arī aprakstītiem procesiem, ar kuru palīdzību arī tiks sasniegts nepieciešamu kvalitātes īpašību līmenis. Līdz ar to, inženieriem būs vieglāk kooperēties kāda interesējošā jautājumā un orientēties vajadzībās.

2.5.1. Kvalitātes kontrole.

Kvalitātes kontrole tiek īstenota, kontrolējot visus programmnodrošinājuma izstrādes procesus, lai garantētu, ka tiek ievērotas kvalitātes pārbaudes procedūras un standartu prasības [4, 643].
Doto kontroli var attēlot sekojoši (skat. 2.5.1.1.attēlu):

2.5.1.1. attēls. Kvalitātes vadība un programmnodrošinājuma izstrāde.

P1, P2, P3 un P4 ir izstrādes procesa izpildes pārskati, kurus novērtē un pārbauda pēc kvalitātes plāna, un tad sagatavo kvalitātes apskates atskaites.

2.6. Prototipa izstrādes problēmu un risku apraksts.

Izstrādājot ekspertsistēmas prototipu, jāapzinās pastāvošās problēmas un riski. Savlaicīga problēmu un risku analīze, kā arī klasifikācija vienkāršo un atvieglo to vadību, kā arī samazina to rašanās iespējamību.
Maģistra darba 1.5. sadaļā ir vispārīgi aprakstītas iespējamas izstrādes problēmas. Tagad šīs problēmas tiks aprakstītas attiecīgi izstrādājamām prototipam.
6. Ekspertu zināšanu iegūšanas problēma.
Kvalitātes vadības sistēmas ieviešanas speciālistus iespējams ieinteresēt sniegt savus pakalpojumus ar to, ka visa vadības sistēmas integrācija notiks ātrāk sadarboties ar uzņēmuma pārstāvi, kas ir iepriekš apmācīts dotajā sfērā. Līdz ar to tiks samazināts ieviešanas laiks, attiecīgi tiks ekonomēti uzņēmuma finansu līdzekļi, kurus tas maksā par konsultāciju sniegšanu. Uzņēmuma pārstāvim pastāvīgi ir pieeja sistēmai, kura var jebkura laika brīdī sniegt rekomendācijas.
7. Eksperta zināšanu formalizācijas problēma.
Kvalitātes vadības sistēmas ieviešana balstās uz ISO 9001:2000 standarta prasībām. Visas šīs prasības tiek aprakstītas un strukturētas pēc noteiktas kārtības. Saturiski arī atbilst kvalitātes sistēmas ieviešanas gaitai. Termini un definīcijas ir zināmi un skaidri izklāsti.
8. Eksperta laika trūkums darbam. Doto problēmu ir iespējams atrisināt – oficiāli apstiprinot patērēto eksperta laiku. Izskaitļot laika patēriņu palīdzes projekta vadītājs un sistēmas analītiķis. Nepieciešamo laiku var arī sadalīt konkrēto uzdevumu izpildei. To var noteikt pats eksperts, jo viņš labāk zina cik daudz laika viņš varētu patērēt kādas sadaļas aprakstam un situāciju modelēšanai.
9. Lai zināšanu inženieris un eksperts varētu modelēt iespējamas situācijas un uzdevumus ar reāliem datiem, ir lietderīgi izmantot vienotu terminoloģiju un izvairīties no nosacītiem apzīmējumiem.
10. Resursu trūkums. Iespējams, šī problēma var arī nepastāvēt, jo dotā prototipa izveides komanda nav īpaši liela. Un pēc autora domām, jo mazāka prototipa izstrādes komanda, jo ekspertsistēmas izveides process ir ātrāks. Izveides procesam ir daudzas atgriezeniskās saites katram izstrādes etapam, līdz ar to lietderīgi ievērot plānošanas kārtību katrā no tiem.
11. Instrumentālie līdzekļi dotajam prototipam varētu būt C#, JavaScript un XML. Šobrīd tie ir populārākie programmnodrošinājuma izstrādes līdzekļi un ir plaši pielietojami.

Izstrādājot jaunu programmnodrošinājumu, tiek apzināti iespējamie riski. Pastāv dažādi risku tipi (skat.2.6.1. tabulu) [4, 108]:
2.6.1. tabula
Riski un risku tipi.
Riska tips Iespējamais risks
Tehnoloģijas risks Sistēmā lietotā datu bāze nevar veikt pietiekoši daudz transakciju sekundē, cik sākumā bija gaidīts.
Programmnodrošinājuma komponentes, kuras tiek atkārtoti izmantotas, satur kļūmes, kuras, savukārt, ierobežo to funkcionalitāti.
Cilvēku risks Darbinieku trūkums ar zināmām iemaņām.
Atbildīga darbinieka saslimšana vai arī viņš nav pieejams kritiskajā momentā.
Darbiniekiem nav pieejamas apmācības iespējas.
Uzņēmuma risks Uzņēmums ir sadalīts tā, ka dažāda nodaļu vadība ir atbildīga par projektu.
Uzņēmuma finansu problēmas ietekmē projekta budžeta samazināšanos.
Rīku risks
Kādu rīku integrācijas neiespējamība.
Prasību risks Prasību izmaiņas var sekmēt kopēja projekta pārstrādi.
Klienti nav spējīgi saprast prasību izmaiņu ietekmi uz projektu.
Novērtējuma risks Netiek novērtēts patērētais laiks programmnodrošinājuma izstrādei.
Netiek novērtēts kļūmju labošanas biežums.
Netiek novērtēts paša programmnodrošinājuma lielums.

Programmnodrošinājuma izstrādes dokumentācijā nepieciešams iekļaut arī risku uzskaiti un apskatu – kādi riski, cik nopietns. Pasūtītājs iepazīstas ar šiem riskiem un veic attiecīgas darbības savā organizācijā: veic personāla instruktāžu, izdot rīkojumus un pavēles un tam līdzīgas rīcības.

Risku varbūtību un izraisīto efektu (sekas) saka veicot iespējamo risku analīzi. Lai uzskatāmi attēlot šis analīzes rezultātus, zemāk ir piedāvāta sekojoša 2.6.2. tabula [4, 109]:

2.6.2. tabula
Risku analīze.
Risks Varbūtība Sekas
Uzņēmuma finansu problēmas ietekmē projekta budžeta samazināšanos.
Zema Katastrofālās
Darbinieku trūkums ar zināmām iemaņām.
Augsta Katastrofālās
Atbildīga darbinieka saslimšana vai arī viņš nav pieejams kritiskajā momentā.
Vidējā Nopietnas
Programmnodrošinājuma komponentes, kuras tiek atkārtoti izmantotas, satur kļūmes, kuras, savukārt, ierobežo to funkcionalitāti.
Vidējā Nopietnas
Prasību izmaiņas var sekmēt kopēja projekta pārstrādi.
Vidējā Nopietnas
Uzņēmums ir sadalīts tā, ka dažāda nodaļu vadība ir atbildīga par projektu.
Augsta Nopietnas
Sistēmā lietotā datu bāze nevar veikt pietiekoši daudz transakciju sekundē, cik sākumā bija gaidīts.
Vidējā Nopietnas
Netiek novērtēts patērētais laiks programmnodrošinājuma izstrādei.
Augsta Nopietnas
Kādu rīku integrācijas neiespējamība.
Augsta Ciešamas
Klienti nav spējīgi saprast prasību izmaiņu ietekmi uz projektu.
Vidējā Ciešamas
Darbiniekiem nav pieejamas apmācības iespējas.
Vidējā Ciešamas
Netiek novērtēts kļūmju labošanas biežums.
Vidējā Ciešamas
Netiek novērtēts paša programmnodrošinājuma lielums.
Augsta Ciešamas

Nākošajā 2.6.3. tabulā ir uzskaitītas iespējamas šo risku vadības stratēģijas. Šīs stratēģijas dalās trijās kategorijās [6,110]:
1) Novēršanas stratēģija. Sekot šai stratēģijai nozīmē – risku rašanas varbūtības samazināšanos;
2) Minimizēšanas stratēģija. Sekot šai stratēģijai nozīmē – samazināt risku ietekmi;
3) Neparedzamas situācijas gadījuma plāns. Sekot šai stratēģija nozīmē – gatavība sliktākajām notikumam un stratēģijas izstrādāšana pēc esošiem apstākļiem.

2.6.3. tabula
Risku vadības stratēģijas.
Risks Stratēģija
Uzņēmuma finansu problēmas
Sagatavot nepieciešamu dokumentāciju uzņēmuma vadībai par to, ka projekts sekmē biznesa mērķu sasniegšanu.

Patērētāju problēmas Brīdināt klientus par potenciālām sarežģītībām un aiztures iespējām, komponenšu pirkšanas iespēju izpēte.

Darbinieku nodarbinātība Reorganizēt darba komandas tā, lai katrs darbinieks apzina gan savus pienākumus, gan saprot savu kolēģu darbu.

Defektu (kļūmju) komponentes Nomaina potenciālas defekta komponentes ar nopērkamām, kuram ir zināma kvalitāte.

Prasību izmaiņas Nodrošināt informācijas saņemšanu par izmaiņu veikšanu, lai varētu novērtēt izmaiņu ietekmi uz projektu kopumā.

Uzņēmuma restrukturizācija Sagatavot nepieciešamu dokumentāciju uzņēmuma vadībai par to, ka projekts sekmē biznesa mērķu sasniegšanu.

Datu bāžu darbība Izpētīt iespēju iegādāties datu bāzes ar lielāku gatavības pakāpi darbam.
Izstrādes laika novērtējums Izpētīt komponenšu iegādes iespējas, izpētīt programmu ģeneratora izmantošanu.

2.6.4. tabula
Risku faktori un kontrole.
Riska tips Potenciālie radītāji
Tehnoloģija Vēla programm- vai aprātnodrošinājuma piegāde.

Darbinieki Konflikti kolēģu attiecībās.

Vadības Vadības rīcību vai ierosinājumu trūkums.

Rīki Izstrādātāju nevēlēšanās izmantot noteiktus rīkus.

Prasības Pārāk daudz izmaiņu pieprasījumu, klientu pretenzijas.

Novērtējums Nevēlēšanās saņemt atskaites par kļūmēm.

Secinājumi un rekomendācijas.

Maģistra darba mērķi ir sasniegti un uzdevumi ir izpildīti.
1. Tika atrasta un apkopota informācija par esošām ekspertsistēmām, par to izstrādes principiem un metodoloģiju, kā arī tika salīdzinātas pēc piedāvātiem kritērijiem apmācību ekspertsistēmas Unimath un GURU.
2. Tās tika salīdzinātas pēc sekojošiem parametriem:
– sistēmas izmantošanas iespēja jebkuras disciplīnas apmācībā (universālums);
– spēja mainīt visas asociatīvās un vecākvienumu saites sistēmā pēc jauno datu ievades (dinamiskums);
– informācijas „gudras” meklēšanas esamība (asociatīvu un vecākvienumu saišu esamība starp sistēmas terminiem un jēdzieniem).
3. Ekspertsistēma Unimath tiek pielietota dabas zinātņu un inženieru specialitāšu studentu apmācībā matemātisko disciplīnu praktiskajās nodarbībās. Sistēma klasificē uzdevumus pēc tipiem, pamatojoties uz studenta atbildēm uz sistēmas jautājumiem, kā arī uz atbilstošu risināšanas metožu izvēli un paskaidrojumiem. Tas nozīmē, ka sistēma veic „gudru” informācijas meklēšanu.
4. Apmācības sistēma GURU tiek pielietota matemātikas disciplīnās un studējošo jēdzienu zināšanu novērtējumam. Sistēma ir universāla: mainot jēdzienu koku, var iegūt ekspertsistēmu jebkurā mācību priekšmetā. Tomēr nav paredzēta datu bāžu struktūru koriģēšana mācību disciplīnām, kurās ir ļoti daudz formulu un vienādojumu.
5. Ekspertsistēmas atšķiras no datu apstrādes sistēmām ar to, ka tajās tiek izmantotas simboliskās (nevis ciparu) attēlošanas metodes, simbolisks izvads un risinājuma heiristiskā meklēšana (nevis zināma algoritma izpilde).

Darba mērķis praktiskajā nozīmē bija piedāvāt apmācību ekspertsistēmas prototipu „Kvalitātes vadības sistēmas ieviešana uzņēmumā”, kurš balstās uz ISO 9001:2000 standartu. Šis ekspertsistēmas prototips palīdz ieviest uzņēmumā kopējo kvalitātes vadības sistēmu.
Patērētāji lielu uzmanību pievērš iegādātās produkcijas vai saņemtā pakalpojuma kvalitāti. Uzņēmumam jāzina, cik lielā mērā tā ražotais produkts vai sniegtais pakalpojums apmierina patērētāju vajadzības, kā arī jāapzina veidus, kā uzlaboties un būt konkurentspējīgam tirgū.
Līdz šim kvalitātes vadības sistēmu bija iespējams ieviest ar kompāniju palīdzību, kuras sniedz šādu pakalpojumu – sagatavo uzņēmumu auditam, kā rezultātā uzņēmums saņem ISO 9001:2000 atbilstības sertifikātu. Auditu vienmēr veic neatkarīga piesaistīta fiziskā vai juridiskā persona, kurai ir tiesības veikt uzņēmuma kvalitātes vadības sistēmas novērtējumu atbilstoši standarta prasībām un izsniegt šī fakta apliecinošu dokumentu – sertifikātu.
Lai šo uzraudzības un pārsertificēšanas auditu veiksmīgi izturētu, uzņēmumam ir nepieciešams veikt paša pārbaudi – iekšējo auditu. Iekšējā audita beigās tiek sagatavots vadības ziņojums, kurā tiek atrunāti visa uzņēmuma sasniegumi vismaz viena gada laikā.
Izstrādātā prototipa izstrādes koncepcija balstīsies uz sekojošiem ekspertsistēmu izstrādes etapiem:
1) Identifikācija;
2) Koncepta izstrāde;
3) Formalizācija;
4) Izpilde;
5) Eksperimentālā ekspluatācija;
6) Testēšana.

Prototipa izstrādes laikā radās šādas rekomendācijas pilnveidošanai:
1. Realizēt ekspertsistēmas prototipa universālumu, jo šim prototipam ir statiska struktūra. Šobrīd nav iespējams šo prototipu piemērot apmācībām kvalitātes sistēmas ieviešanai uzņēmumā, kurš sniedz saviem klientiem pakalpojumus. Tomēr ir iespējams realizēt jaunu ekspertsistēmu, balsoties uz iegūtām zināšanām par dinamiskām ekspertsistēmām, kas strādā ar reāla laika datiem un radītājiem.
Tāpēc, mainot zināšanu bāzes jēdzienu koku, var iegūt ekspertsistēmu apmācībām:
1) jebkurā uzņēmumu darbības sfērā;
2) pielāgojamu jebkura standarta prasībām.
2. Panākt ekspertsistēmas prototipa dinamiskumu – spēju mainīt visas asociatīvās un vecākvienumu saites sistēmā pēc jauno datu ievada.

Izmantoto avotu un literatūras saraksts

1. Джексон, П. Экспертные системы. „Вильямс”, 2001., 624 с.
2. Поспелов, Д. Экспертные системы: состояние и перспективы. „Наука”, 1989., 151 с.
3. Нейлор, К. Как построить свою экспертную систему. „ЭНЕРГОАТОМИЗДАТ”, 1991.,286 с.
4. Sommerville, I. Software engineering 8th Edition. „Addison Wesley”. 2006., 864 pages.
5. http://www.mari-el.ru/mmlab/home/AI/7_8/ (2008.09.09)
6. http://ru.wikipedia.org/wiki/Экспертная система (2008.10.19)
7. http://inf.1september.ru/1999/art/danil1.htm (2008.10.01)
8. http://www.bizeducation.ru/library/management/innov/10/zalubovsky.htm (2008.09.23)
9. http://www.expertsys.ru/vveden/1/ (2008.11.22)
10. http://msk.treko.ru/show_dict_394 (2008.09.15)
11. http://sdo.uspi.ru/mathem&inform/lek5/lek_5.htm#%FD%EA%F1%EF%E5%F0%F2%ED%FB%E5_%F1%E8%F1%F2%E5%EC%FB (2008.10.03)
12. http://www.ssti.ru/kpi/informatika/Content/biblio/b1/inform_man/gl_16_2.htm (2008.11.01)
13. http://yo-media.narod.ru/encyclop/xp_sys.htm (2008.10.01)
14. http://www.ito.su/1998-99/k/frolov_1.html (2008.09.15)
15. http://www.sapr.mgsu.ru/biblio/ex-syst/index.html (2008.09.23)
16. http://www.expertsys.ru/vveden/15/ (2008.10.20)
17. http://www.bytic.ru/cue99M/cfd6l3d8yy.html (2008.10.20)
18. http://web4.host.ab.az/files/d_441.pdf (2008.09.09)
19. http://technomag.edu.ru/doc/95195.html (2008.09.15)
20. http://www.tver.mesi.ru/e-lib/res/682/6/1.html (2008.09.23)
21. Latvijas Valsts standarts LVS EN ISO 9001:2000 „Kvalitātes vadības sistēmas. Prasības”.

Galvojums

Ar šo es galvoju, ka maģistra darbs ir izpildīts patstāvīgi. No svešiem pirmavotiem ņemtie dati un definējumi ir uzrādīti darbā. Šis darbs tādā vai citādā veidā nekad nav iesniegts nevienai citai pārbaudījumu komisijai un nekur nav publicēts.

__.___.______. __________________________ Inna ZORINA
(paraksts)

Maģistra darbs aizstāvēts 2009.gada „___”.___________________________ un novērtēts ar __________________________________ ballēm.
Protokola Nr.__________________________ .

Maģistra pārbaudījumu
komisijas priekšsēdētājs ________________ ****************