Структура экспертной системы, как правило, состоит из четырех-пяти компонент: базы знаний, машины вывода, системы накопления метазнаний, системы объяснений и общения с пользователем.

Рассмотрим упрощенную схему экспертной системы. Что касается базы знаний, то к ее рассмотрению мы уже подошли вплотную. Знания в базе знаний, в отличие от данных, требуют иного их представления, для чего используются семантические сети с произвольной структурой, а также более регуляризованные сети - фреймы. Фреймы выражают общие понятия, а слоты, или ячейки, дают их детализацию, что приводит к типичной иерархической структуре.

В настоящее время наибольшее распространение получают так называемые "продукции". По мнению академика Г. С. Поспелова, "продукции" можно представить в виде выражения "если - то". Например, если содержание углеводородов в выбросе в атмосферу превысит предельно допустимую концентрацию (ПДК) в 100 раз, то это может привести к экологической катастрофе. Для получения выводов "продукции" могут образовывать сложные цепочки. Кроме описанного ядра, "продукции" допускают использование пред- и постусловий, разрешающих или запрещающих применять данное условие, а также определяющие, необходимо ли изменять что-либо в базе знаний в зависимости от результата выполнения процедуры "если - то".

Важной особенностью экспертных систем является возможность работать не только с "четкими" данными, но и, что самое главное, с "нечеткими" знаниями. Используя комбинации элементов знаний, можно прийти к вполне определенным заключениям, т. е. даже на основе ненадежных данных есть возможность получать правдоподобные выводы. "Нечеткость" определений, которыми оперирует географ, ведет к "нечеткости" знаний. Например, обратившись к понятию "широкая река", мы отчетливо представляем, что для разных людей этот размер может варьировать в значительных пределах. Для характеристики фактов используется "нечеткая" логика, разработаны коэффициенты уверенности для измерения степени доверия к любому заключению.

Другим важным элементом экспертной системы является машина вывода. Машина логического вывода является универсальной думающей машиной, а база знаний - это то, над чем ей предстоит думать. Т. е. в ответ на запрос система способна строить логические выводы и на их основе приходить к заключениям. Здесь проверяется выполнимость условий конкретной ситуации по отношению к имеющимся правилам и подбирается путь их удовлетворения. Причем, в отличие от традиционных алгоритмов, осуществляющих механический перебор всех правил, в экспертной системе пространство поиска сужается за счет того, что, как и человек, ЭВМ должна ожидать, что же ей встретится. Например, анализируя видовой состав смешанных и широколиственных лесов средней полосы европейской части России, географ ожидает встретить ель, березу, дуб, липу, клен, но не пальмы или мангры, перебор которых для анализа противоречит здравому смыслу.

Процедуру получения выводов путем анализа фреймов или "продукций" называют прямой стратегией. В том случае если человек выдвигает гипотезы (а делает это он, как правило, с охотой), а ЭВМ их проверяет (что проще для машины), то мы переходим к обратной стратегии. Используются и смешанные стратегии, когда машина выдает ряд вариантов решения, а экспертная система именно так и поступает, выбрав из них какое-нибудь одно, оно анализируется с помощью обратной стратегии. Естественно, что этот путь будет неоднозначным, причем могут добавляться новые значения и т. д.

Блок накопления метазнаний проверяет непротиворечивость вновь поступающих сведений имевшимся правилам. Достигается это путем проверки семантической непротиворечивости, а также автоматическим тестированием. Проверка семантической непротиворечивости определяет согласование вносимых изменений правилам базы знаний, а автоматическое тестирование проверяет нововведения на большом количестве задач, чтобы оценить, сколь положительно они влияют на работу экспертной системы. Иногда в случае конфликтных ситуаций требуется пересмотр правил. Здесь применяются различные степени доверия для потенциальных решений, чтобы они не противоречили здравой логике, хотя сделать это не всегда просто.

В этом деле целесообразна характеристика не отдельных явлений, а их классов, когда конкретная ситуация сравнивается с типичными примерами. Допустим, географ, классифицируя типы берегов (риасовый, шхерный, фьордовый), как бы сравнивает их с идеальными моделями: фьорды - узкие, глубоко вдающиеся в сушу клинья и т. д. Но экспертная система не ограничивается алгоритмической классификацией и учитывает семантику. Классифицируя географические объекты "Москва", "Бишкек", "Брянск", человек легко сгруппирует их в города, но Москву в сочетании с Волгой и Леной отнесет к рекам, то же должна уметь эвристическая программа.

Более того, иногда требуется и не совсем "логичное" заключение. Например, анализируя уровни социально-экономического развития стран по ряду формальных критериев, в том числе таким, как национальный доход на душу населения, число автомашин на 1 тыс. жителей и др., Кувейт должен быть отнесен к числу ведущих стран, но эксперт-географ, сильно занизив его оценку, не выглядит странным. Так же должна поступать и экспертная система, выводя одни правила из других и приходя к заключениям, получить которые из формальной логики невозможно.

Еще один характерный момент для экспертной системы. Так как правила, создаваемые одним географом, чаще всего сильно отличаются от того, как это делает другой специалист, то экспертная система как бы становится "вторым я" того или иного ученого, копируя его стиль работы.

Система объяснений используется для того, чтобы разъяснить пользователю, как экспертная система пришла к тому или иному конкретному выводу. Причем в процессе работы пользователь может задавать дополнительные вопросы о получении промежуточных результатов, уточнять цели, инспектировать правила с точки зрения их согласования между собой и соответствия поставленным целям и др.

Как правило, система объяснений делает трассировку хода проведения рассуждений в обратном порядке от того места, к которому относится вопрос, или от конечного результата. Каждый шаг рассуждения подкрепляется выводами из правил базы знаний. Экспертная система объясняет также, почему она не пошла другим путем - какие правила базы знаний этот путь заблокировали. Объяснения экспертной системы помогают пользователю совершенствовать базу знаний, показывая слабые места, ведущие к неправильным выводам.

Система общения пользователя с экспертной системой должна быть максимально удобна для человека. В настоящее же время "хозяин ЭВМ вынужден разговаривать со своим слугой на языке слуги". В этом плане особенно привлекателен проект разработки ЭВМ пятого поколения, которые будут в состоянии воспринимать естественный язык, например ограниченный английский, графические изображения, карты, фотоснимки и др.