---

Вот ответы на все практические задания из ваших слайдов, структурированные по порядку.

---

Практика №1 (Диагностика двигателя)

Предлагаемый состав архитектуры:

1. Подсистема сбора данных (Интерфейс с датчиками): Получает сырые вибрационные сигналы (временные ряды), фильтрует шумы и нормализует данные.
2. Модуль обработки сигналов (Предобработка): Преобразует сигнал в спектральные характеристики (БПФ) и выделяет ключевые признаки (амплитуда, частота пиков).
3. База знаний: Хранит эталонные вибрационные профили для исправных двигателей и «паттерны» типичных неисправностей (дисбаланс, износ подшипников).
4. Машина вывода: Сравнивает текущие признаки с эталонами (например, по нечеткой логике или пороговым значениям) и определяет степень отклонения.
5. Подсистема объяснения: Формирует отчет: «Обнаружен рост гармоники 2Х — вероятная причина: расцентровка вала».
6. Интерфейс пользователя: Визуализация спектрограммы и вывод вердикта для механика.

---

Практика №2 (Сравнение архитектур)

Классическая (Экспертная система):

· Преимущества: Прозрачность решений (легко трассировать), детерминированность, не требует больших данных для обучения.
· Недостатки: Плохо работает с нечеткими данными, сложность извлечения знаний у экспертов («бутылочное горлышко»), статичность (сложно дообучать).
· Где применять: Медицинская диагностика по четким протоколам, юридические консультации, системы поддержки принятия решений с жесткими правилами.

Агентно-ориентированная:

· Преимущества: Масштабируемость, отказоустойчивость, способность решать глобальные задачи через локальное взаимодействие (эмерджентность), адаптация к изменениям среды.
· Недостатки: Сложность отладки и предсказания поведения системы в целом, высокие накладные расходы на коммуникацию агентов.
· Где применять: Управление цепочками поставок, распределенные сети датчиков (Smart Grid), моделирование экономических процессов, системы реального времени.

---

Практика №3 (Машина вывода)

Тип вывода: Прямой (Forward Chaining) или «вывод от данных к заключению». Система толкается фактами (данные датчиков), а не целью.

Последовательность действий:

1. Актуализация: Получает новые данные (Температура = 85°C, Давление = 6 атм).
2. Сопоставление (Match): Сканирует БЗ и находит правило, где условия совпадают с текущими фактами.
3. Выбор (Select): Если правил несколько — запускает механизм разрешения конфликтов (например, по приоритету правила).
4. Срабатывание (Act): Применяет правило, генерирует новый факт («Аварийный режим» = Истина) и помещает его в рабочую память.
5. Цикл: Снова проверяет, не появились ли новые правила для срабатывания (например, если аварийный режим → отключить подачу топлива).

---

Практика №4 (Подсистема объяснения для медицины)

Сценарий объяснения пациенту (диагноз: пневмония):

«На основе ваших симптомов (высокая температура >38°C в течение 3 дней и кашель с мокротой) система сопоставила данные с признаками бактериальных инфекций в базе знаний. Анализ рентгеновского снимка показал затемнение в нижних долях легких, что соответствует правилу №42 („Инфильтрация легочной ткани“). Вероятность диагноза — 94%. Лечение требует антибиотиков, так как это соответствует протоколу А-7. Рекомендуем подтвердить решение у лечащего врача».

Что важно включать в объяснение:

· Исходные данные (на чем основан вывод).
· Цепочку рассуждений (ссылки на правила или веса признаков).
· Уверенность (вероятность или степень достоверности).
· Ограничения (в чем система не уверена или что не учтено).

Почему важно для доверия: Это позволяет врачу проверить логику, снижает риск «слепого доверия» (эффект автоматизации), а пациенту дает понимание объективности решения, повышая принятие лечения.

---

Практика №5 (Рекомендательная система)

Необходимые компоненты и их задачи:

1. Модуль сбора и обработки данных (интерфейс):
   · Задача: Сбор истории кликов, времени просмотра, покупок и данных профиля пользователя в реальном времени.
2. База знаний (или Feature Store):
   · Задача: Хранение профилей пользователей (векторы предпочтений), описаний товаров (категории, цена, бренд) и кросс-категориальных связей («с этим товаром покупают...»).
3. Машина вывода / Модуль ранжирования (гибрид):
   · Задача: Комбинация коллаборативной фильтрации (нейросеть) и детерминированных правил бизнес-логики (например, «не рекомендовать товары с низким рейтингом»). Вычисляет релевантность и формирует топ-N рекомендаций.
4. Подсистема объяснения:
   · Задача: Генерация текстовых пояснений для пользователя. Например: «Этот кофе вам подходит, так как вы раньше покупали арабику из Эфиопии» или «Вы смотрели рюкзаки — вот похожие модели». Повышает прозрачность и кликабельность.
5. Модуль обратной связи (обучение):
   · Задача: Анализ взаимодействия пользователя с выданными рекомендациями (кликнул/купил/проигнорировал) для постоянной актуализации весов моделей и переобучения.