ПОДХОДЫ К РАЗРАБОТКЕ ИНФОРМАЦИОННОЙ СИСТЕМЫ ДИАГНОСТИКИ БОЛЕЗНЕЙ КОМНАТНЫХ РАСТЕНИЙ

Цель этой статьи — рассмотреть и сопоставить два подхода к проектированию информационной системы диагностики болезней комнатных растений: основанный на продукционных правилах и основанный на нейронных сетях. Для этого вначале будут сформулированы основные требования к такой системе, а затем проанализированы особенности реализации каждого из выбранных методов. В завершение будет приведено сравнение подходов и сделаны выводы о целесообразности их применения в зависимости от условий эксплуатации и доступных ресурсов.

 

Разработка информационной системы диагностики болезней комнатных растений требует чёткого определения требований, которым должна удовлетворять такая система.

 

Функциональные требования к системе:

• Определение вида диагностируемого растения.

У пользователя должна быть возможность либо указать вид диагностируемого растения явно, либо воспользоваться встроенным функционалом автоматического определения вида растения.

• Ввод диагностической информации.

В качестве входных данных пользователь должен иметь возможность описать состояние растения с помощью набора признаков.

• Автоматическое определение предполагаемого диагноза.

На основании введённых симптомов система должна идентифицировать возможные заболевания, при этом желательно указывать степень уверенности (вероятность) диагноза.

• Формирование рекомендаций по лечению.

После постановки диагноза система должна предложить рекомендации по устранению болезни с использованием единого определенного шаблона.

 

Подход на основе продукционных правил.

 

Один из классических и широко применяемых методов проектирования экспертных систем — продукционный подход. Он основывается на использовании базы знаний, представленной в виде набора правил вида ЕСЛИ–ТО (IF–THEN), где каждая продукция представляет собой логическое выражение: при выполнении условий (признаков) выполняется определённое действие (например, постановка диагноза) [1, с. 42].

 

Продукционные правила можно формализовать в виде логических импликаций следующего вида:

 

 

                                                                                   (1)

где

 

C₁, C₂, …, C_n — условия (симптомы);

A — действие (диагноз или рекомендация);

P_i — правило номер i.

 

Система на основе продукционных правил содержит следующие обязательные компоненты:

• Базу фактов (F), включающую входные данные от пользователя;
• Базу правил (R), содержащую продукционные правила;
• Механизм вывода, применяющий правила к фактам для получения новых выводов.

Приведем пример одного из продукционных правил, которое могло бы находиться в базе правил такой системы диагностики:

 

P1: ЕСЛИ (листья покрыты белым налётом) И (рост замедляется), ТО (мучнистая роса).

 

Преимущества подхода.

• Прозрачность логики: каждое диагностическое заключение можно объяснить через цепочку применённых правил, что повышает доверие пользователя к системе.
• Простота внедрения при наличии экспертных знаний: систему можно построить на основе консультаций с соответствующими специалистами.
• Контролируемость и предсказуемость поведения системы: система не «обучается» автоматически, а работает строго в рамках заданных правил.

Недостатки подхода.

• Ограниченные возможности обобщения: при недостатке правил, система может не распознать новые или атипичные случаи.
• Высокая трудоёмкость разработки базы знаний: необходимо вручную формализовать все возможные сценарии.
• Низкая устойчивость к неполному вводу: если не выполнено хотя бы одно условие из тела правила, оно не сработает, даже если остальные признаки указывают на заболевание.

Подход на основе нейронных сетей.

 

Этот подход к диагностике болезней комнатных растений основан на использовании алгоритмов машинного обучения, способных выявлять закономерности в данных без явного задания правил. В отличие от продукционной системы, где знания формализуются вручную, нейронная сеть реализует механизм самостоятельного обучения на специально подготовленном и обработанном наборе данных, содержащих примеры заболеваний и соответствующие им признаки.

 

Наиболее распространённой архитектурой для задач классификации (в том числе — медицинской и биологической диагностики) является многослойный перцептрон [2, c. 65]. Такая нейронная сеть представляет собой последовательность слоёв, каждый из которых применяет аффинное преобразование и функцию активации, реализующую нелинейность:

                                                                                   (2)

                                                                                              (3)

 

где

W^(l) — матрица весов l-го слоя;

b^(l) — вектор смещений;

a^(l-1) — выход предыдущего слоя (или входной вектор признаков при l = 1);

f — функция активации (например, ReLU, sigmoid или softmax).

 

Для многоклассовой классификации болезней на выходном слое используется функция softmax, которая переводит выходы сети в вероятностное распределение:

                                                                                             (4)

где

y_i’ — предсказанная вероятность того, что объект принадлежит классу I;

K — общее количество возможных диагнозов.

 

Во время обучения на подготовленной выборке данных будет происходить изменение всех обучаемых параметров нейронной сети методом градиентного спуска и обратного распространения ошибки. В сущности, во время обучения моделей решают задачу поиска минимума функции потерь в многомерном пространстве параметров, которая отражает, насколько сильно ошибается наша модель в своих предсказаниях. Для задач многоклассовой классификации обычно используют функцию кросс-энтропии [3 с. 3].

                                                                                     (5)

где

y_i — метка истинного класса (для одного значения из K она будет равна 1, для остальных значений она будет равна 0).

 

Преимущества подхода.

• Адаптивность: нейросеть может автоматически выявлять сложные связи между симптомами и диагнозами, включая нетривиальные или противоречивые случаи.
• Устойчивость к шуму: обученная модель способна давать уверенные прогнозы даже при частично неполных данных.
• Автоматизация обновления: при поступлении новых данных возможна повторная тренировка модели без переработки всей логики.
• Высокая точность: при наличии достаточного количества размеченных данных модели показывают высокие показатели классификации (точность, полноту и F1-меру).

Недостатки подхода.

• Требовательность к данным: для успешного обучения необходима большая и разнообразная обучающая выборка, охватывающая широкий спектр заболеваний и симптомов.
• Непрозрачность вывода: в отличие от продукционных систем, логика работы нейронной сети не поддаётся простому объяснению пользователю.
• Необходимость в больших вычислительных ресурсах: обучение и развёртывание нейросетевых моделей требует наличия соответствующего программного и аппаратного обеспечения.

Сравнение подходов к разработке системы.

 

Из всего сказанного выше можно сделать некоторые выводы. Подход на основе продукционных правил наиболее уместен в условиях ограниченного объёма данных и необходимости прозрачного объяснения решений пользователю. Он особенно полезен на этапе начальной разработки системы, когда экспертные знания доступны, но объём накопленной статистики невелик. В то же время нейросетевой подход открывает возможности для построения более универсальной, адаптивной и устойчивой к неточностям системы — при условии наличия достаточного набора размеченных данных и вычислительных ресурсов. В перспективе целесообразно рассматривать гибридные решения, сочетающие преимущества обоих методов для повышения точности диагностики и удобства использования системы. Например, использовать нейронную сеть для предварительной диагностики, а правила — для финальной интерпретации и рекомендаций.