Интеллектуальных информационных систем и способы их реализация. Шпаргалка: Интеллектуальные информационные системы

Лекция

Тема: «Интеллектуальные технологии и системы»

План:

1. Понятие искусственного интеллекта. Интеллектуальные информационные

технологии.

2. Классификация интеллектуальных информационных систем.

3. Экспертные системы как основная разновидность интеллектуальных систем.

4. Искусственные нейронные сети.

Использование информационных технологий (ИТ) в различных сферах человеческой деятельности, рост объемов информации и необходимость оперативно реагировать в любых ситуациях потребовали поиска адекватных путей решения возникающих проблем. Самым эффективным из них является путь интеллектуализации информационных технологий.

Вопрос №1 Понятие искусственного интеллекта.

Интеллектуальные информационные технологии

Новая информационная технология основывается прежде всего на интеллектуальных технологиях и теории искусственного интеллекта.

Термин интеллект происходит от латинского intellectus - что означает ум, рассудок, разум; мыслительные способности человека.

Под искусственным интеллектом понимают способности компьютерных систем к интеллектуальным действиям. Чаще всего здесь имеются в виду способности, связанные с человеческим мышлением.

Искусственный интеллект - раздел информатики, связанный с разработкой интеллектуальных программ для компьютеров.

Искусственный интеллект (ИИ) – это научное направление, возникшее на стыке кибернетики, лингвистики, психологии и программирования.

Под интеллектуальными информационными технологиями понимают такие информационные технологии, в которых предусмотрены следующие возможности:

• наличие баз знаний, отражающих опыт конкретных людей, групп, обществ, человечества в целом, при решении таких задач, как: принятие решений, проектирование, извлечение смысла, объяснение, обучение;
• наличие моделей мышления на основе баз знаний: правил и логических выводов; аргументации и рассуждения; распознавания и классификации ситуаций; обобщения и понимания и т. п.;
• способность формировать вполне четкие решения на основе нечетких, неполных, недоопределенных данных;
• способность объяснять выводы и решения, то есть наличие механизма объяснений;
• способность к обучению, переобучению и, следовательно, к развитию.

История интеллектуальных информационных технологий

Обратимся к истории развития ИИТ, которая ведет отсчет с 60-х годов прошлого века и включает несколько основных периодов.

• 60-70-е годы. Это годы осознания возможностей искусственного интеллекта и формирования заказа на поддержку процессов принятия решений и управления.
• 70-80-е годы. На этом этапе происходит осознание важности знаний для формирования адекватных решений; появляются ЭКСПЕРТНЫЕ СИСТЕМЫ.
• с 80-х гг. по настоящее время. Появляются интегрированные (гибридные) модели представления знаний, сочетающие в себе следующие виды интеллекта: поисковый, вычислительный, логический и образный. Создание нейронных сетей

Особенность интеллектуальных информационных технологий (ИИТ) - их «универсальность». Они практически не имеют ограничений по применению в таких областях, как управление, проектирование, машинный перевод, диагностика, распознавание образов, синтез речи и т. д.

ИИТ также находят широкое применение для распределенного решения сложных задач, совместного проектирования изделий, построения виртуальных предприятий, моделирования больших производственных систем и электронной торговли, электронной разработки сложных компьютерных систем, управления системами знаний и информации и т. п. Еще одно эффективное применение - поиск информации в Internet и других глобальных сетях, ее структуризация и доставка заказчику.

Вопрос №2 Классификация интеллектуальных информационных систем

Для ИИС характерны следующие признаки:

Развитые коммуникативные способности (способ взаимодействия конечного пользователя с системой);

Умение решать сложные, плохо формализуемые задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний;

Способность к самообучению, т.е. умение системы автоматически извлекать знания из накопленного опыта и применять их для решения задач;

Адаптивность – способность системы к развитию в соответствии с объективными изменениями области знаний.

Каждому из перечисленных признаков условно соответствует свой класс ИИС.

1. Системы с интеллектуальным интерфейсом (коммуникативные способности):

- Интеллектуальные базы данных . Позволяют в отличие от традиционных БД обеспечивать выборку необходимой информации, не присутствующей в явном виде, а выводимой из совокупности хранимых данных.

- Естественно-языковой интерфейс . Применяется для доступа к интеллектуальным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд в системах управления, машинного перевода с иностранных языков.

- Гипертекстовые системы . Используются для реализации поиска по ключевым словам в базах данных с текстовой информацией.

- Системы контекстной помощи . Относятся к классу систем распространения знания. Такие системы, как правило, являются приложениями к документации. В этих системах пользователь описывает проблему, а система на основе дополнительного диалога конкретизирует ее и выполняет поиск рекомендаций по данной проблеме.

- Системы когнитивной графики . Ориентированы на общение с пользователем ИИС посредством графических образов, которые генерируются в соответствии с изменением параметров моделируемых или наблюдаемых процессов. Применение когнитивной графики особенно актуально в системах мониторинга и оперативного управления, в обучающих и тренажерных системах, в оперативных системах принятия решений, работающих в режиме реального времени.

2. Экспертные системы (решение сложных плохо формализуемых задач). Применяются для решения неформализованных проблем, к которым относятся задачи, обладающие одной из следующих характеристик:

Задачи не могут быть представлены в числовой форме;

Исходные данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью;

Цели нельзя выразить с помощью четко определенной целевой функции;

Не существует однозначного алгоритмического решения задачи;

Главное отличие ЭС и СИИ от систем обработки данных состоит в том, что в них используется символьный, а не числовой способ представления данных, а в качестве методов обработки информации применяются процедуры логического вывода и эвристического поиска решений.

Интеллектуальная информационная система (ИИС, англ. intelligent system) - разновидность интеллектуальной системы, один из видов информационных систем, иногда ИИС называют системой, основанных на знаниях. ИИС представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи: осуществление поддержки деятельности человека, например возможность поиска информации в режиме продвинутого диалога на естественном языке.

Особенности и признаки интеллектуальности информационных систем

Любая информационная система (ИС) выполняет следующие функции:

1. Воспринимает вводимые пользователем информационные запросы и необходимые исходные данные.

2. Обрабатывает введенные и хранимые в системе данные в соответствии с известным алгоритмом и формирует требуемую выходную информацию.

С точки зрения реализации перечисленных функций ИС можно рассматривать как фабрику, производящую информацию, в которой заказом является информационный запрос, сырьем - исходные данные, продуктом - требуемая информация, а инструментом (оборудованием) - знание, с помощью которого данные преобразуются в информацию.

Если в ходе эксплуатации ИС выяснится потребность в модификации одного из двух компонентов программы, то возникнет необходимость ее переписывания. Это объясняется тем, что полным знанием проблемной области обладает только разработчик ИС, а программа служит “недумающим исполнителем” знания разработчика. Этот недостаток устраняются в интеллектуальных информационных системах.

Интеллектуальная информационная система - это ИС, которая основана на концепции использования базы знаний для генерации алгоритмов решения экономических задач различных классов в зависимости от конкретных информационных потребностей пользователей.

Для интеллектуальных информационных систем, ориентированных на генерацию алгоритмов решения задач, характерны следующие признаки:

Развитые коммуникативные способности,

Умение решать сложные плохо формализуемые задачи,

Способность к самообучению,

Адаптивность.

Коммуникативные способности ИИС характеризуют способ взаимодействия (интерфейса) конечного пользователя с системой. Сложные плохо формализуемые задачи - это задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний.

Классификация задач, решаемых ИИС

• Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается процесс определения смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.

• Диагностика. Под диагностикой понимается процесс соотношения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе. Неисправность - это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является здесь необходимость понимания функциональной структуры («анатомии») диагностирующей системы.

• Мониторинг. Основная задача мониторинга - непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы - «пропуск» тревожной ситуации и инверсная задача «ложного» срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учёта временного контекста.

• Проектирование. Проектирование состоит в подготовке спецификаций на создание «объектов» с заранее определёнными свойствами. Под спецификацией понимается весь набор необходимых документов-чертёж, пояснительная записка и т.д. Основные проблемы здесь - получение чёткого структурного описания знаний об объекте и проблема «следа». Для организации эффективного проектирования и в ещё большей степени перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.

• Прогнозирование. Прогнозирование позволяет предсказывать последствия некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

• Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

• Обучение. Под обучением понимается использование компьютера для обучения какой-то дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе они способны диагностировать слабости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения - одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке.

• Управление. Под управлением понимается функция организованной системы, поддерживающая определенный режим деятельности. Такого рода ЭС осуществляют управление поведением сложных систем в соответствии с заданными спецификациями.

• Поддержка принятия решений. Поддержка принятия решения - это совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающие процесс принятия решения. Эти ЭС помогают специалистам выбрать и/или сформировать нужную альтернативу среди множества выборов при принятии ответственных решений.

В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на системы, решающие задачи синтеза. Основное отличие задач анализа от задач синтеза заключается в том, что если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально не ограничено и строится из решений компонент или под-проблем. Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, планирование, управление. Комбинированные: обучение, мониторинг, прогнозирование.

Принятие решений относительно действий или поведения в той или иной ситуации любых субъектов (людей, роботов, сложных систем управления) осуществляется на основе информационных процессов. Информационный процесс реализует отношение объекта и субъекта (рис. 1.1 ) и представляет собой восприятие субъектом объективной реальности в виде данных, переработку этих данных в соответствии с целевой установкой и имеющимися знаниями о зависимостях фактов в информацию.

На основе полученной информации происходит обновление знания субъекта, выработка решения по возможному изменению состояния объекта и целевой установки субъекта. Таким образом, информационный процесс рассматривается в трех аспектах:

Синтаксический аспект - отображение объективной реальности в какой-либо среде и на каком-либо языке, которое представляет собой данные.

Семантический аспект - понимание и интерпретация данных на основе знаний субъекта, которые отражают зависимости, закономерности взаимодействия объектов.

Прагматический аспект - оценка полезности полученного нового знания (приращения знания) субъекта в соответствии с целевой установкой для принятия решения, то есть получение информации в узком смысле.

В широком смысле под информацией понимают все три аспекта отражения информационного процесса.

Любая компьютерная информационная система (ИС), реализующая информационный процесс, выполняет следующие функции: воспринимает вводимые пользователем информационные запросы (цели решения задачи) и необходимые исходные данные, обрабатывает введенные и хранимые в системе данные в соответствии с известным алгоритмом и формирует требуемую выходную информацию. С точки зрения реализации перечисленных функций ИС можно рассматривать как фабрику, производящую информацию, в которой заказом является информационный запрос, сырьем - исходные данные, продуктом - требуемая информация, а инструментом (оборудованием) - знание, с помощью которого данные преобразуются в информацию.

Знания субъектов информационного процесса могут представляться в различной форме. У людей знания представляются либо в недокументированной (неявной, непосредственно в голове) форме, либо в документированной (явной, книжной) форме. Причем документированная текстовая форма представления знаний в виде учебников, положений, инструкций и т.д. мало приспособлена для быстрого извлечения необходимых знаний при обосновании конкретных решений. Неявное знание экспертов вообще трудно доступно для использования в решении задач другими специалистами.

Компьютерные информационные системы, выступающие в роли субъектов информационного процесса, призваны упростить процесс использования знания в решении задач принятия решений. Для этого знания должны структурироваться и запоминаться для последующего многократного использования.

Знание имеет двоякую природу: фактуальную и операционную:

Фактуальное знание представляет известные сведения об объектах отражаемой реальности и накапливается в обычных базах данных.

Операционное знание отражает зависимости и отношения между объектами, которые позволяют интерпретировать данные или извлекать из них информацию. Операционное знание представляется либо в алгоритмической форме, либо в декларативной форме в виде специальных баз структурированных знаний.

Часто фактуальное знание называют экстенсиональным (детализированным), а операционное знание - интенсиональным (обобщенным).

Информационный процесс с помощью компьютерной информационной системы сводится к адекватному соединению операционного и фактуального знаний и в различных типах ИС выполняется по-разному. Самый простой путь их соединения заключается в рамках одной прикладной программы:

Документ без названия

Таким образом, операционное знание (алгоритм) и фактуальное знание (структура данных) неотделимы друг от друга. Однако если в ходе эксплуатации ИС выяснится потребность в модификации одного из двух компонентов программы, то возникнет необходимость ее переписывания. Это объясняется тем, что полным знанием проблемной области обладает только разработчик ИС, а программа служит «недумающим исполнителем» знания разработчика. Конечный же пользователь вследствие процедурности и машинной ориентированности представления знаний понимает лишь внешнюю сторону процесса обработки данных и никак не может на него влиять.

Следствием перечисленных недостатков является плохая жизнеспособность ИС или неадаптивность к изменениям информационных потребностей. Кроме того, в силу детерминированности алгоритмов решаемых задач ИС не способна к формированию у пользователя знания о действиях в не полностью определенных ситуациях. В системах, основанных на обработке баз данных (СБД - Data Base Systems), происходит отделение фактуального и операционного знаний друг от друга. Первое организуется в виде базы данных, второе - в виде программ. Причем программа может автоматически генерироваться по запросу пользователя (например, реализация SQL или QBE запросов). В качестве посредника между программой и базой данных выступает программный инструмент доступа к данным - система управления базой данных (СУБД):

Документ без названия

СБД = Программа <=> СУБД <=> База данных

Концепция независимости программ от данных позволяет повысить гибкость ИС по выполнению произвольных информационных запросов. Однако эта гибкость в силу процедурности представления операционного знания имеет четко определенные границы. Для формулирования информационного запроса пользователь должен ясно представлять себе структуру базы данных и до определенной степени алгоритм решения задачи. Следовательно, пользователь должен достаточно хорошо разбираться в проблемной области, в логической структуре базы данных и алгоритме программы. Концептуальная схема базы данных выступает в основном только в роли промежуточного звена в процессе отображения логической структуры данных на структуру данных прикладной программы.

Общие недостатки традиционных информационных систем, к которым относятся системы первых двух типов, заключаются в слабой адаптивности к изменениям в предметной области и информационным потребностям пользователей, в невозможности решать плохо формализуемые задачи, с которыми управленческие работники постоянно имеют дело. Перечисленные недостатки устраняются в интеллектуальных информационных системах (ИИС) .

Анализ структуры программы показывает возможность выделения из программы операционного знания (правил преобразования данных) в так называемую базу знаний, которая в декларативной форме хранит общие для различных задач единицы знаний. При этом управляющая структура приобретает характер универсального механизма решения задач (механизма вывода), который связывает единицы знаний в исполняемые цепочки (генерируемые алгоритмы) в зависимости от конкретной постановки задачи (сформулированной в запросе цели и исходных условий). Такие ИС становятся системами, основанными на обработке знаний (СБЗ - Knowledge Base (Based) Systems):

Документ без названия

Следующим шагом в развитии интеллектуальных информационных систем является выделение в самостоятельную подсистему или репозиторий метазнания, описывающего структуру операционного и фактуального знания и отражающего модель проблемной области. В таких системах и программы, и структуры данных генерируются или компонуются из единиц знаний, описанных в репозиторий, каждый раз при изменении модели проблемной области. Будем называть ИИС, обрабатывающие метазнание, системами, основанными на моделях (СБМ - Model Based Systems):

Документ без названия

Для интеллектуальных информационных систем, ориентированных на генерацию алгоритмов решения задач, характерны следующие признаки:

Развитые коммуникативные способности,

Умение решать сложные плохо формализуемые задачи,

Способность к самообучению,

Адаптивность.

Коммуникативные способности ИИС характеризуют способ взаимодействия (интерфейса) конечного пользователя с системой, в частности, возможность формулирования произвольного запроса в диалоге с ИИС на языке, максимально приближенном к естественному.

Сложные плохо формализуемые задачи - это задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний.

Способность к самообучению - это возможность автоматического извлечения знаний для решения задач из накопленного опыта конкретных ситуаций.

Адаптивность - способность к развитию системы в соответствии с объективными изменениями модели проблемной области.

В различных ИИС перечисленные признаки интеллектуальности развиты в неодинаковой степени и редко, когда все четыре признака реализуются одновременно. Условно каждому из признаков интеллектуальности соответствует свой класс ИИС (рис. 1.2 ):

Системы с интеллектуальным интерфейсом;

Экспертные системы;

Самообучающиеся системы;

Адаптивные системы.

Все четыре признака интеллектуальности в той или иной степени реализуются в системах управления знаниями.

Интеллектуальные базы данных отличаются от обычных баз данных возможностью выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющихся в базе данных. Вывод неявной информации осуществляется путем интерпретации следующих зависимостей:

Вычислительных зависимостей атрибутов, например, «вывести список товаров, цена которых выше среднеотраслевой»,

Структурных отношений объектов, например, «вывести список товаров-заменителей некоторой продукции»,

Логических зависимостей факторов принятия решений, например, «вывести список потенциальных покупателей некоторого товара».

Для выполнения первого типа запроса необходимо сначала проведение статистического расчета среднеотраслевой цены по всей базе данных, а уже после этого собственно отбор данных.

Для выполнения второго типа запроса необходимо вывести значения характерных признаков объекта, а затем поиск по ним аналогичных объектов.

Для третьего типа запроса требуется сначала определить список посредников-продавцов, выполняющих продажу данного товара, а затем провести поиск связанных с ними покупателей.

Во всех перечисленных типах запросов требуется осуществить поиск по условию, которое должно быть доопределено в ходе решения задачи. Интеллектуальная система без помощи пользователя по структуре базы данных сама строит путь доступа к файлам данных. Формулирование запроса осуществляется в диалоге с пользователем, последовательность шагов которого выполняется в максимально удобной для пользователя форме. Запрос к базе данных может формулироваться и с помощью естественно-языкового интерфейса.

Естественно-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Для этого необходимо решать задачи морфологического, синтаксического и семантического анализа и синтеза высказываний на естественном языке. Так, морфологический анализ предполагает распознавание и проверку правильности написания слов по словарям, синтаксический контроль - разложение входных сообщений на отдельные компоненты (определение структуры) с проверкой соответствия грамматическим правилам внутреннего представления знаний и выявления недостающих частей и, наконец, семантический анализ - установление смысловой правильности синтаксических конструкций. Синтез высказываний решает обратную задачу преобразования внутреннего представления информации в естественно-языковое.

Естественно-языковый интерфейс используется для:

Доступа к интеллектуальным базам данных;

Контекстного поиска документальной текстовой информации;

Машинного перевода с иностранных языков.

Гипертекстовые системы предназначены для реализации поиска по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются возможностью более сложной семантической организации ключевых слов, которая отражает различные смысловые отношения терминов. Таким образом, механизм поиска работает прежде всего с базой знаний ключевых слов, а уже затем непосредственно с текстом. В более широком плане сказанное распространяется и на поиск мультимедийной информации, включающей помимо текстовой и цифровой информации графические, аудио и видео-образы.

Системы контекстной помощи можно рассматривать, как частный случай интеллектуальных гипертекстовых и естественноязыковых систем. В отличие от обычных систем помощи, навязывающих пользователю схему поиска требуемой информации, в системах контекстной помощи пользователь описывает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекомендаций. Такие системы относятся к классу систем распространения знаний (Knowledge Publishing) и создаются как приложение к системам документации (например, технической документации по эксплуатации товаров).

Системы когнитивной графики позволяют осуществлять интерфейс пользователя с ИИС с помощью графических образов, которые генерируются в соответствии с происходящими событиями. Такие системы используются в мониторинге и управлении оперативными процессами. Графические образы в наглядном и интегрированном виде описывают множество параметров изучаемой ситуации. Например, состояние сложного управляемого объекта отображается в виде человеческого лица, на котором каждая черта отвечает за какой-либо параметр, а общее выражение лица дает интегрированную характеристику ситуации.

Системы когнитивной графики широко используются также в обучающих и тренажерных системах на основе использования принципов виртуальной реальности, когда графические образы моделируют ситуации, в которых обучающемуся необходимо принимать решения и выполнять определенные действия.

Назначение экспертных систем заключается в решении достаточно трудных для экспертов задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области. Достоинство применения экспертных систем заключается в возможности принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решений) из базы знаний. Причем решение задач предполагается осуществлять в условиях неполноты, недостоверности, многозначности исходной информации и качественных оценок процессов.

Экспертная система является инструментом, усиливающим интеллектуальные способности эксперта, и может выполнять следующие роли:

Консультанта для неопытных или непрофессиональных пользователей;

Ассистента в связи с необходимостью анализа экспертом различных вариантов принятия решений;

Партнера эксперта по вопросам, относящимся к источникам знаний из смежных областей деятельности.

Экспертные системы используются во многих областях, среди которых лидирует сегмент приложений в бизнесе (рис. 1.3 ) .

Архитектура экспертной системы включает в себя два основных компонента: базу знаний (хранилище единиц знаний) и программный инструмент доступа и обработки знаний, состоящий из механизмов вывода заключений (решения), приобретения знаний, объяснения получаемых результатов и интеллектуального интерфейса (рис. 1.4 ). Причем центральным компонентом экспертной системы является база знаний, которая выступает по отношению к другим компонентам как содержательная подсистема, составляющая основную ценность. «Know-how» базы знаний хорошей экспертной системы оценивается в сотни тысяч долларов , в то время как программный инструментарий - в тысячи или десятки тысяч долларов .

База знаний - это совокупность единиц знаний, которые представляют собой формализованное с помощью некоторого метода представления знаний отражение объектов проблемной области и их взаимосвязей, действий над объектами и, возможно, неопределенностей, с которыми эти действия осуществляются.

В качестве методов представления знаний чаще всего используются либо правила, либо объекты (фреймы), либо их комбинация. Так, правила представляют собой конструкции:

Документ без названия

В качестве факторов определенности (CF), как правило, выступают либо условные вероятности байесовского подхода (от 0 до 1), либо коэффициенты уверенности нечеткой логики (от 0 до 100). Примеры правил имеют следующий вид:

Документ без названия

Фреймы представляют собой совокупность атрибутов, описывающих свойства и отношения с другими фреймами. В отличие от записей баз данных каждый фрейм имеет уникальное имя. Часть атрибутов отражают типизированные отношения, такие как «род - вид» (super-class - sub-class), «целое - часть» и др. Вместо конкретных значений атрибутов объектов могут задаваться значения по умолчанию (указатель наследования атрибутов устанавливается в S), присущие целым классам объектов, или присоединенные процедуры (process). Пример фреймов представлен на рис. 1.5 .

Интеллектуальный интерфейс. Обмен данными между конечным пользователем и ЭС выполняет программа интеллектуального интерфейса, которая воспринимает сообщения пользователя и преобразует их в форму представления базы знаний и, наоборот, переводит внутреннее представление результата обработки в формат пользователя и выдает сообщение на требуемый носитель. Важнейшим требованием к организации диалога пользователя с ЭС является естественность, которая не означает буквально формулирование потребностей пользователя предложениями естественного языка, хотя это и не исключается в ряде случаев. Важно, чтобы последовательность решения задачи была гибкой, соответствовала представлениям пользователя и велась в профессиональных терминах.

Механизм вывода. Этот программный инструмент получает от интеллектуального интерфейса преобразованный во внутреннее представление запрос, формирует из базы знаний конкретный алгоритм решения задачи, выполняет алгоритм, а полученный результат предоставляется интеллектуальному интерфейсу для выдачи ответа на запрос пользователя.

В основе использования любого механизма вывода лежит процесс нахождения в соответствии с поставленной целью и описанием конкретной ситуации (исходных данных) относящихся к решению единиц знаний (правил, объектов, прецедентов и т.д.) и связыванию их при необходимости в цепочку рассуждений, приводящую к определенному результату.

Для представления знаний в форме правил это может быть прямая (рис. 1.6 ) или обратная (рис. 1.7 ) цепочка рассуждений.

Для фреймового (объектно-ориентированного) представления знаний характерно применение механизма наследования атрибутов, когда значения атрибутов передаются по иерархии от вышестоящих классов к нижестоящим (например, на рис. 1.5 код отрасли, отраслевой коэффициент рентабельности). Также при заполнении атрибутов фрейма необходимыми данными запускаются на выполнение присоединенные процедуры.

Механизм объяснения. В процессе или по результатам решения задачи пользователь может запросить объяснение или обоснование хода решения. С этой целью ЭС должна предоставить соответствующий механизм объяснения. Объяснительные способности ЭС определяются возможностью механизма вывода запоминать путь решения задачи. Тогда на вопросы пользователя «Как?» и «Почему?» получено решение или запрошены те или иные данные система всегда может выдать цепочку рассуждений до требуемой контрольной точки, сопровождая выдачу объяснения заранее подготовленными комментариями. В случае отсутствия решения задач объяснение должно выдаваться пользователю автоматически. Полезно иметь возможность и гипотетического объяснения решения задачи, когда система отвечает на вопросы, что будет в том или ином случае.

Однако не всегда пользователя может интересовать полный вывод решения, содержащий множество ненужных деталей. В этом случае система должна уметь выбирать из цепочки только ключевые моменты с учетом их важности и уровня знаний пользователя. Для этого в базе знаний необходимо поддерживать модель знаний и намерений пользователя. Если же пользователь продолжает не понимать полученный ответ, то система должна быть способна в диалоге на основе поддерживаемой модели проблемных знаний обучать пользователя тем или иным фрагментам знаний, т.е. раскрывать более подробно отдельные понятия и зависимости, если даже эти детали непосредственно в выводе не использовались.

Механизм приобретения знаний. База знаний отражает знания экспертов (специалистов) в данной проблемной области о действиях в различных ситуациях или процессах решения характерных задач. Выявлением подобных знаний и последующим их представлением в базе знаний занимаются специалисты, называемые инженерами знаний . Для ввода знаний в базу и их последующего обновления ЭС должна обладать механизмом приобретения знаний. В простейшем случае это интеллектуальный редактор, который позволяет вводить единицы знаний в базу и проводить их синтаксический и семантический контроль, например, на непротиворечивость. В более сложных случаях механизм приобретения знаний позволяет извлекать знания в результате использования специальных сценариев интервьюирования экспертов, или из вводимых примеров реальных ситуаций, как в случае индуктивного вывода, или из текстов, или из опыта работы самой интеллектуальной системы.

Классы экспертных систем. По степени сложности решаемых задач экспертные системы можно классифицировать следующим образом:

По способу формирования решения экспертные системы разделяются на два класса: аналитические и синтетические . Аналитические системы предполагают выбор решений из множества известных альтернатив (определение характеристик объектов), а синтетические системы - генерацию неизвестных решений (формирование объектов).

По способу учета временного признака экспертные системы могут быть статическими или динамическими . Статические системы решают задачи при неизменяемых в процессе решения данных и знаниях, динамические системы допускают такие изменения. Статические системы осуществляют монотонное непрерываемое решение задачи от ввода исходных данных до конечного результата, динамические системы предусматривают возможность пересмотра в процессе решения полученных ранее результатов и данных.

По видам используемых данных и знаний экспертные системы классифицируются на системы с детерминированными (четко определенными) знаниями и неопределенными знаниями. Под неопределенностью знаний (данных) понимается их неполнота (отсутствие), недостоверность (неточность измерения), двусмысленность (многозначность понятий), нечеткость (качественная оценка вместо количественной).

По числу используемых источников знаний экспертные системы могут быть построены с использованием одного или множества источников знаний. Источники знаний могут быть альтернативными (множество миров) или дополняющими друг друга (кооперирующими).

В соответствии с перечисленными признаками классификации, как правило, выделяются следующие четыре основные класса экспертных систем (рис. 1.8 )

Классифицирующие экспертные системы. К аналитическим задачам прежде всего относятся задачи распознавания различных ситуаций, когда по набору заданных признаков (факторов) выявляется сущность некоторой ситуации, в зависимости от которой выбирается определенная последовательность действий. Таким образом, в соответствии с исходными условиями среди альтернативных решений находится одно, наилучшим образом удовлетворяющее поставленной цели и ограничениям.

Экспертные системы, решающие задачи распознавания ситуаций, называются классифицирующими, поскольку определяют принадлежность анализируемой ситуации к некоторому классу. В качестве основного метода формирования решений используется метод логического дедуктивного вывода от общего к частному, когда путем подстановки исходных данных в некоторую совокупность взаимосвязанных общих утверждений получается частное заключение.

Доопределяющие экспертные системы. Более сложный тип аналитических задач представляют задачи, которые решаются на основе неопределенных исходных данных и применяемых знаний. В этом случае экспертная система должна как бы доопределять недостающие знания, а в пространстве решений может получаться несколько возможных решений с различной вероятностью или уверенностью в необходимости их выполнения. В качестве методов работы с неопределенностями могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика. Доопределяющие экспертные системы могут использовать для формирования решения несколько источников знаний. В этом случае могут использоваться эвристические приемы выбора единиц знаний из их конфликтного набора, например, на основе использования приоритетов важности, или получаемой степени определенности результата, или значений функций предпочтений и т.д.

Для аналитических задач классифицирующего и доопределяющего типов характерны следующие проблемные области :

Интерпретация данных - выбор решения из фиксированного множества альтернатив на базе введенной информации о текущей ситуации. Основное назначение - определение сущности рассматриваемой ситуации, выбор гипотез, исходя их фактов. Типичным примером является экспертная система анализа финансового состояния предприятия.

Диагностика - выявление причин, приведших к возникновению ситуации. Требуется предварительная интерпретация ситуации с последующей проверкой дополнительных фактов, например, выявление факторов снижения эффективности производства.

Коррекция - диагностика, дополненная возможностью оценки и рекомендации действий по исправлению отклонений от нормального состояния рассматриваемых ситуаций.

Трансформирующие экспертные системы. В отличие от аналитических статических экспертных систем синтезирующие динамические экспертные системы предполагают повторяющееся преобразование знаний в процессе решения задач, что связано с характером результата, который нельзя заранее предопределить, а также с динамичностью самой проблемной области.

В качестве методов решения задач в трансформирующих экспертных системах используются разновидности гипотетического вывода:

Генерации и тестирования, когда по исходным данным осуществляется генерация гипотез, а затем проверка сформулированных гипотез на подтверждение поступающими фактами;

Предположений и умолчаний, когда по неполным данным подбираются знания об аналогичных классах объектов, которые в дальнейшем динамически адаптируются к конкретной ситуации в зависимости от ее развития;

Использование общих закономерностей (метауправления) в случае неизвестных ситуаций, позволяющих генерировать недостающее знание.

Многоагентные системы. Для таких динамических систем характерно распределенное решение задач несколькими программными агентами, каждый их которых обладает собственной базой знаний и механизмом вывода . Программные агенты, как правило, выполняют поручения людей, субъектов решения задачи, и в этом смысле их заменяют. При этом они реагируют на события во внешней среде (реактивные агенты), обрабатывают ситуации, принимают решения, передают результаты решения задач пользователям и во внешнюю среду. Наиболее интеллектуальные (когнитивные) агенты способны обучаться и изменять правила своего поведения.

При совместном решении задач несколькими программными агентами образуются многоагентные системы (MAC), с централизованным или децентрализованным управлением. В первом случае MAC должна иметь, по крайней мере, один агент, который выполняет роль координатора (диспетчера), планирующего и контролирующего реализацию процессов. Во втором случае все агенты самостоятельны в своем поведении. Интеграция работы программных агентов и соответствующих источников знаний осуществляется на динамической основе путем обмена между ними получаемыми результатами, например, через «доску объявлений» (рис. 1.9 ).

Для многоагентных систем характерны следующие особенности:

Проведение альтернативных рассуждений на основе использования различных источников знаний с механизмом устранения противоречий;

Распределенное решение проблем, которые разбиваются на параллельно решаемые подпроблемы, соответствующие самостоятельным источникам знаний;

Применение множества стратегий работы механизма вывода в зависимости от типа решаемой проблемы;

Обработка больших массивов данных, содержащихся в базе данных, и способность к самообучению, изменяющая правила поведения агентов;

Использование различных математических моделей и внешних процедур, хранимых в базе моделей;

Способность прерывания решения задач в связи с необходимостью получения дополнительных данных и знаний от пользователей, моделей, параллельно решаемых подпроблем.

Для синтезирующих динамических экспертных систем наиболее применимы следующие проблемные области :

Проектирование - определение конфигурации объектов с точки зрения достижения заданных критериев эффективности и ограничений, например, проектирование бюджета предприятия, портфеля инвестиций, конфигурация изделий в электронной коммерции.

Прогнозирование - предсказание последствий развития текущих ситуаций на основе математического и эвристического моделирования, например, прогнозирование трендов на биржевых торгах.

Планирование - выбор последовательности действий пользователей по достижению поставленной цели, например, планирование цепочек поставки продукции (supply chain management).

Диспетчирование - распределение работ во времени, составление расписаний, например, планирование графика потоков работ (workflow).

Мониторинг - слежение за текущей ситуацией с возможной последующей коррекцией. Для этого выполняется диагностика, прогнозирование, а в случае необходимости планирование и коррекция действий пользователей, например, мониторинг сбыта готовой продукции.

Управление - мониторинг, дополненный реализацией действий в автоматических системах, например, принятие решений на биржевых торгах.

По данным публикации , в которой проводится анализ 12500 действующих экспертных систем, распределение экспертных систем по проблемным областям имеет следующий вид (рис. 1.10 ):

В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики (обучения на примерах). Примеры реальных ситуаций накапливаются за некоторый исторический период и составляют обучающую выборку . Эти примеры описываются множеством признаков классификации. Причем обучающая выборка может быть:

«с учителем» , когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака);

«без учителя» , когда по степени близости значений признаков классификации система сама выделяет классы ситуаций.

В результате обучения системы автоматически строятся обобщенные правила или функции, определяющие принадлежность ситуаций классам, которыми обученная система пользуется при интерпретации новых возникающих ситуаций. Таким образом, автоматически формируется база знаний, используемая при решении задач классификации и прогнозирования. Эта база знаний периодически автоматически корректируется по мере накопления опыта реальных ситуаций, что позволяет сократить затраты на ее создание и обновление.

Общие недостатки, свойственные всем самообучающимся системам, заключаются в следующем:

Возможна неполнота и/или зашумленность (избыточность) обучающей выборки и, как следствие, относительная адекватность базы знаний возникающим проблемам;

Возникают проблемы, связанные с плохой смысловой ясностью зависимостей признаков и, как следствие, неспособность объяснения пользователям получаемых результатов;

Ограничения в размерности признакового пространства вызывают неглубокое описание проблемной области и узкую направленность применения.

Индуктивные системы. Обобщение примеров по принципу от частного к общему сводится к выявлению подмножеств примеров, относящихся к одним и тем же подклассам, и определению для них значимых признаков.

Процесс классификации примеров осуществляется следующим образом:

1. Выбирается признак классификации из множества заданных (либо последовательно, либо по какому-либо правилу, например, в соответствии с максимальным числом получаемых подмножеств примеров);

2. По значению выбранного признака множество примеров разбивается на подмножества;

3. Выполняется проверка, принадлежит ли каждое образовавшееся подмножество примеров одному подклассу;

4. Если какое-то подмножество примеров принадлежит одному подклассу, т.е. у всех примеров подмножества совпадает значение классообразующего признака, то процесс классификации заканчивается (при этом остальные признаки классификации не рассматриваются);

5. Для подмножеств примеров с несовпадающим значением классообразующего признака процесс классификации продолжается, начиная с пункта 1. (Каждое подмножество примеров становится классифицируемым множеством).

Процесс классификации может быть представлен в виде дерева решений, в котором в промежуточных узлах находятся значения признаков последовательной классификации, а в конечных узлах -значения признака принадлежности определенному классу. Пример построения дерева решений на основе фрагмента таблицы примеров (таблица 1.1) показан на рис. 1.11 .

Таблица 1.1

Документ без названия

Классообр. признак	Признаки классификации
		Конкуренция	Издержки	Качество
		маленькая	маленькие
		маленькая
		маленькая
		маленькая	маленькие
		маленькая	маленькие
		маленькая

Анализ новой ситуации сводится к выбору ветви дерева, которая полностью определяет эту ситуацию. Поиск решения осуществляется в результате последовательной проверки признаков классификации. Каждая ветвь дерева соответствует одному правилу решения:

Если Спрос = «низкий» и Издержки = «маленькие»
То Цена = «низкая»

Примерами инструментальных средств, поддерживающих индуктивный вывод знаний, являются 1st Class (Programs in Motion), Rulemaster (Radian Corp.), ИЛИС (ArgusSoft), KAD (ИПС Переяславль-Залесский).

Нейронные сети. В результате обучения на примерах строятся математические решающие функции (передаточные функции или функции активации), которые определяют зависимости между входными (Xi) и выходными (Yj) признаками (сигналами) (рис. 1.12 ).

Каждая такая функция, называемая по аналогии с элементарной единицей человеческого мозга - нейроном, отображает зависимость значения выходного признака (Y) от взвешенной суммы (U) значений входных признаков (Xi), в которой вес входного признака (Wi) показывает степень влияния входного признака на выходной:

выделение">рис. 1.13 ).

Нейроны могут быть связаны между собой, когда выход одного нейрона является входом другого. Таким образом, строится нейронная сеть (рис. 1.14 ), в которой нейроны, находящиеся на одном уровне, образуют слои.

Обучение нейронной сети сводится к определению связей (синапсов) между нейронами и установлению силы этих связей (весовых коэффициентов). Алгоритмы обучения нейронной сети упрощенно сводятся к определению зависимости весового коэффициента связи двух нейронов от числа примеров, подтверждающих эту зависимость.

Наиболее распространенным алгоритмом обучения нейронной сети является алгоритм обратного распространения ошибки. Целевая функция по этому алгоритму должна обеспечить минимизацию квадрата ошибки в обучении по всем примерам:

формула" src="http://hi-edu.ru/e-books/xbook717/files/f4.gif" border="0" align="absmiddle" alt="

Достоинство нейронных сетей перед индуктивным выводом заключается в решении не только классифицирующих, но и прогнозных задач. Возможность нелинейного характера функциональной зависимости выходных и входных признаков позволяет строить более точные классификации.

Сам процесс решения задач в силу проведения матричных преобразований проводится очень быстро. Фактически имитируется параллельный процесс прохода по нейронной сети в отличие от последовательного в индуктивных системах. Нейронные сети могут быть реализованы и аппаратно в виде нейрокомпьютеров с ассоциативной памятью.

Последнее время нейронные сети получили стремительное развитие и очень активно используются в финансовой области. В качестве примеров внедрения нейронных сетей можно назвать:

«Система прогнозирования динамики биржевых курсов для Chemical Bank» (фирма Logica);

«Система прогнозирования для Лондонской фондовой биржи» (фирма SearchSpace);

«Управление инвестициями для Mellon Bank» (фирма NeuralWare) и др.

В качестве инструментальных средств разработки нейронных сетей следует выделить инструментальные средства NeuroSolution, Neural Works Professional II/Plus, Process Advisor, NeuroShell 2, BrainMaiker Pro, NeurOn-line и др.

Системы, основанные на прецедентах (Case-based reasoning). В этих системах база знаний содержит описания не обобщенных ситуаций, а собственно сами ситуации или прецеденты. Тогда поиск решения проблемы сводится к поиску по аналогии (выводу от частного к частному):

1. Получение подробной информации о текущей проблеме;

2. Сопоставление полученной информации со значениями признаков прецедентов из базы знаний;

3. Выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;

4. В случае необходимости выполняется адаптация выбранного прецедента к текущей проблеме;

5. Проверка корректности каждого полученного решения;

6. Занесение детальной информации о полученном решении в базу знаний.

Так же как и для индуктивных систем прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. Но в отличие от индуктивных систем допускается поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторой мерой схожести с анализируемой ситуацией. Обычно в качестве меры схожести двух прецедентов принимается функция от взвешенной суммы нормализованных на некоторой общей относительной шкале отклонений значений совпадающих признаков прецедентов. Формально полная схожесть SIM между прецедентами A и В , описанными р признаками, может быть выражена:

формула" src="http://hi-edu.ru/e-books/xbook717/files/f12.gif" border="0" align="absmiddle" alt=" - локальная схожесть (отклонение) значений i-гo признака двух прецедентов А и В, нормализованная на шкале

В качестве функций полной схожести F могут использоваться следующие функции:

формула" src="http://hi-edu.ru/e-books/xbook717/files/f14.gif" border="0" align="absmiddle" alt=" - Минковского

формула" src="http://hi-edu.ru/e-books/xbook717/files/f16.gif" border="0" align="absmiddle" alt=" - Максимум

где р > 0, пример">р количество признаков, формула" src="http://hi-edu.ru/e-books/xbook717/files/f18.gif" border="0" align="absmiddle" alt=" = 1.

Далее наиболее подходящие решения адаптируются по специальным алгоритмам к реальным ситуациям. В качестве методов адаптации в основном применяют методы повторной конкретизации переменных, уточнения параметров, замены одних компонентов решения другими . Обучение системы сводится к запоминанию каждой новой обработанной ситуации с принятыми решениями в базе прецедентов.

Наиболее известными инструментами разработки приложений, использующих поиск прецедентов, являются: CBR-Express (Inference), REMIND (Cognitive Systems), ReCall (Isoft S.A.), KATE tools (Acknosoft), Pattern Recognition Workbench (Unica) и др. С помощью этих систем можно создать различные приложения для решения задач диагностики, анализа рисков, предсказания, контроля и обучения. Системы, основанные на прецедентах, применяются как системы распространения знаний с расширенными возможностями или как системы контекстной помощи. Например, в работе «горячей линии» центра технической поддержки компании Dell в Дублине используется система CBR-Express , которая помогает сотрудникам центра отвечать на большее число запросов по телефону. Благодаря этой системе производительность труда 200 сотрудников центра выросла до 3 тысячи звонков в день от пользователей. Пример подобной консультации может иметь следующий вид (рис. 1.15 ).

Извлечение знаний на основе информационных хранилищ (Data mining based on Data Warehouse). В отличие от интеллектуальной базы данных информационное хранилище представляет собой хранилище извлеченной значимой информации из оперативных баз данных, которое предназначено, в первую очередь, для оперативного анализа данных (реализации OLAP - технологии) . Формулирование запроса осуществляется в результате применения интеллектуального интерфейса, позволяющего в диалоге гибко определять значимые признаки анализа для произвольной группировки данных. Наиболее известными инструментальными средствами поддержки информационных хранилищ и OLAP - технологий являются такие инструментальные средства, как статистический пакет прикладных программ SAS, специализированные программы Business Objects, Oracle Express, отечественные программные продукты PolyAnalyst, Контур Стандарт и др.

Типичными задачами оперативного ситуационного анализа, решаемых на основе информационных хранилищ, являются:

Определение профиля потребителей конкретного товара;

Предсказание изменений ситуации на рынке;

Анализ зависимостей признаков ситуаций (корреляционный анализ) и др.

Для решения перечисленных задач требуется применение методов извлечения знаний из баз данных (Data Mining или Knowledge Discovery), основанные на применении методов многомерного статистического анализа, индуктивных методов построения деревьев решений, нейронных сетей, генетических алгоритмов.

Рассмотрим сущность применения ранее не рассмотренного метода, основанного на применении генетических алгоритмов. Пусть требуется определить набор экономических показателей, которые в наибольшей степени влияют на положительную динамику поведения рынка. Тогда набор показателей можно рассматривать как набор хромосом, определяющих качества индивида, то есть решения поставленной задачи. Значения показателей, определяющих решение, при этом соответствуют генам.

Поиск оптимального решения поставленной задачи похож на эволюцию популяции индивидов, представленных их наборами хромосом . В этой эволюции действуют три механизма: отбор сильнейших - наборов хромосом, которым соответствуют наиболее оптимальные решения; скрещивание - производство новых индивидов при помощи смешивания хромосомных наборов отобранных индивидов; и мутации - случайные изменения генов у некоторых индивидов популяции. В результате смены поколений, в конце концов, вырабатывается такое решение поставленной задачи, которое уже не может быть далее улучшено.

Генетические алгоритмы имеют ряд недостатков. Критерий отбора хромосом и сама процедура являются эвристическими и далеко не всегда гарантируют нахождения лучшего решения. Как и в реальной жизни, эволюция может остановиться на какой-либо непродуктивной ветви. С другой стороны можно подобрать примеры, когда из эволюции генетическим алгоритмом исключаются перспективные продолжения. Это особенно становится заметно при решении задач большой размерности со сложными внутренними связями. В качестве примера разработки систем на основе генетических алгоритмов можно привести систему GeneHunter фирмы Ward Systems Group.

Применение методов интеллектуального анализа на основе информационных хранилищ на практике все в большей степени демонстрирует необходимость интеграции интеллектуальных и традиционных информационных технологий, комбинированное использование различных методов представления и вывода знаний, усложнение архитектуры информационных систем (см. параграф 1.6. и главу 7).

В условиях динамического развития экономических объектов возрастают требования к адаптивности информационных систем к изменениям. Эти требования сводятся к следующему:

ИС в каждый момент времени должна адекватно поддерживать организацию бизнес-процессов.

Реконструкция ИС должна проводиться всякий раз, как возникает потребность в реорганизации бизнес-процессов.

Реконструкция ИС должна проводиться быстро и с минимальными затратами.

Учитывая высокую динамичность современных бизнес-процессов, можно сделать вывод о том, что адаптивность ИС немыслима без интеллектуализации ее архитектуры. Ядром адаптивной ИС является постоянно развиваемая модель проблемной области (предприятия) , поддерживаемая в специальной базе знаний - репозитории , на основе которого осуществляется генерация или конфигурация программного обеспечения. Таким образом, проектирование и адаптация ИС сводится, прежде всего, к построению модели проблемной области и ее своевременной корректировке. Отсюда адаптивную систему можно отнести к классу интеллектуальной информационной системы, основанной на модели проблемной области.

При проектировании информационной системы обычно используются два подхода: оригинальное или типовое проектирование . Первый подход предполагает разработку информационной системы «с чистого листа» в соответствии с требованиями экономического объекта, второй подход - адаптацию типовых разработок к особенностям экономического объекта. Первый подход, как правило, реализуется на основе применения систем автоматизированного проектирования ИС или CASE-технологий , например, таких как, Designer 2000 (Oracle), SilverRun (SilverRun Technology), Natural LightStorm (Software AG) и др., второй подход - на основе применения систем компонентного проектирования ИС , например, таких как R/3 (SAP), BAAN IV (Baan Corp), Галактика (Новый Атлант) и др.

С точки зрения адаптивности информационной системы к бизнес-процессам экономического объекта оба подхода ориентируются на предварительное тщательное изучение экономического объекта и его моделирование . Отличие подходов заключается в следующем: при использовании CASE-технологии на основе репозитория при возникновении изменения выполняется каждый раз генерация (пересоздание) программного обеспечения, а при использовании компонентной технологии - конфигурация программ и только в редких случаях их переработка с помощью CASE - средств, например, использования языков четвертого поколения (4GL).

Для моделирования проблемной области и последующих конфигураций информационной системы из отдельных компонентов (программных модулей) используется специальный программный инструментарий, например, R/3 Business Engineer и BAAN DEM (Dynamic Enterprise Modeler). Несомненным достоинством применения модельно-ориентированных компонентных систем, таких как R/3 или BAAN IV, перед CASE - технологиями является накапливание опыта проектирования информационных систем для различных отраслей и типов производства в виде типовых моделей или так называемых референтных/ссылочных (reference) моделей , которые поставляются вместе с программным продуктом в форме наполненного репозитория. Таким образом, вместе с программным продуктом пользователи приобретают базу знаний «know-how» об эффективных методах организации и управления бизнес-процессами, которые можно адаптировать в соответствии со спецификой конкретного экономического объекта.

В обобщенном виде конфигурация адаптивных информационных систем на основе компонентной технологии представлена на рис. 1.16 .

Базовая модель репозитория содержит описание объектов, функций (операций), процессов (совокупности операций), которые реализуются в программных модулях компонентной системы. При этом большое значение в базовой модели имеет задание правил (бизнес-правил) поддержания целостности информационной системы, которые устанавливают условия проверки корректности совместного применения операций бизнес-процессов и поддерживающих их программных модулей. Таким образом, многообразие и гибкость определения бизнес-процессов и соответствующих конфигураций информационной системы задается с помощью набора бизнес-правил.

Типовые модели соответствуют типовым конфигурациям информационной системы, выполненным для определенных отраслей (автомобильная, электронная, нефтегазовая и т.д.) или типов производства (индивидуальное, серийное, массовое, непрерывное и т.д.).

Модель предприятия (проблемной области) строится либо путем привязки или копирования фрагментов основной или типовой моделей в соответствии со специфическим особенностями предприятия, например, как в инструментальном средстве BAAN Orgware, либо в результате просмотра этих моделей и экспертного опроса, как в инструментальном средстве R/3 Business Engineer. Причем в последнем случае пользователю предлагается определить значения не всех параметров, а только тех, которые связаны между собой в контексте диалога и описаны бизнес-правилами.

Сформированная модель предприятия в виде метаописания хранится в репозитории и при необходимости может быть откорректирована. Далее по сформированной модели предприятия автоматически осуществляется конфигурация информационной системы, в ходе которой выполняется семантический контроль по соответствующим бизнес-правилам.

Недостатками описанной схемы конфигурации информационной системы является отсутствие средств оценки модели предприятия. Для того чтобы можно было выбирать оптимальные варианты конфигурации информационной системы, как правило, используются средства экспорта модели во внешние системы моделирования. Так, для системы R/3 предусмотрен экспорт (импорт) моделей в (из) среду(ы) инструментального средства ARIS Toolset, который позволяет осуществлять функционально-стоимостной анализ эффективности моделируемых бизнес-процессов и их динамическое имитационное моделирование.

Непрерывные изменения, происходящие в экономике, диктуют необходимость постоянного обновления знаний предприятий и организаций, как интеллектуального капитала, обеспечивающего устойчивые стратегические позиции предприятий на рынке. По выражению Б.З. Мильнера, «формируется новая функция управления, в задачу которой входит аккумулирование интеллектуального капитала, выявление и распространение имеющейся информации и опыта, создание предпосылок для распространения и передачи знаний. Именно знания становятся источником высокой производительности, инноваций и конкурентных преимуществ» . Новая функция управления знаниями реализуется как совокупность процессов систематического приобретения, синтеза, обмена и использования знаний внутри организации. Для управления знаниями характерно коллективное формирование и использование как внутренних, так и внешних источников знаний (информационных ресурсов).

Согласно результатам опроса руководителей компаний, входящих в список Fortune 1000, 97% менеджеров заявили, что существуют процессы, играющие для компании определяющую роль, и которые могли бы быть значительно усовершенствованы, если бы только о них знали больше сотрудников. В том же опросе 87% его участников утверждают, что дорогостоящие ошибки возникают именно потому, что служащие вовремя не получили необходимую информацию .

Качество используемых знаний непосредственно влияет на эффективность следующих деловых процессов:

Принятие управленческих решений в стратегическом, тактическом и оперативном управлении в результате получения своевременного доступа к релевантным знаниям;

Инновационная деятельность за счет возможности коллективного формирования идей и сокращения затрат на дублирование работ, обеспечивающая ускорение инновационного цикла;

Непрерывное повышение квалификации работников предприятий в режиме реального времени;

Предоставление партнерам (поставщикам, подрядчика, клиентам) в дополнение к своим основным услугам доступа к накопленным знаниям, включая консалтинг и обучение.

Под системой управлением знаниями (СУЗ) будем понимать совокупность организационных процедур, организационных подразделений (служб управления знаниями) и компьютерных технологий, которые обеспечивают интеграцию разнородных источников знаний и их коллективное использование в деловых процессах.

Согласно данным Попова Э.В., мировые расходы на создание и эксплуатацию СУЗ, составившие в 1999 году 2 млрд. долл., увеличатся до 12 млрд. долл. к 2003 году, в которых 7,9 млрд. долл. будут связаны с оказанием услуг, 1,8 млрд. долл. - с программным обеспечением, 0,9 млрд. долл. с поддержанием инфраструктуры, 1,4 млрд. долл. - с обеспечением внутренних ресурсов. Вместе с тем, как отмечают эксперты Delphi Consulting Group, в настоящее время только 12 процентов корпоративных знаний формализовано в компьютерных базах данных и знаний .

Отличительной особенностью системы управления знаниями является интеграция множества разнородных, часто территориально распределенных источников знаний для решения общих задач. СУЗ интегрирует знания, как из внутренних, так и из внешних источников. Источники знаний могут иметь недокументированную форму (неявные знания экспертов), документированную текстовую, табличную, графическую форму и структурируемую форму в виде баз знаний экспертных систем.

К внутренним источникам знаний относятся:

Техническая документация, описание производственных и деловых процессов,

Внутрифирменные базы данных (data bases) и информационные хранилища (data warehouse),

Базы знаний опыта работы специалистов («лучшей практики»),

Описание профилей знаний специалистов (экспертов),

Специализированные экспертные системы.

Внешние источники знаний включают:

Материалы публикаций и новости, содержащиеся в ИНТЕРНЕТ,

Электронные обучающие системы,

Внешние базы данных партнеров и статистические базы данных в региональном, продуктовом и отраслевом разрезах,

Справочники экспертов и консалтинговых компаний, специализирующихся в конкретных проблемных областях, ссылки на форумы в ИНТЕРНЕТ,

Референтные модели организации бизнес-процессов (отраслевые и типовые решения).

Система управления знаниями обычно используется в двух аспектах:

Обеспечение качественными знаниями процессов решения различных задач.

Создание интерактивной среды взаимодействия специалистов в процессе решения задач.

С точки зрения первого аспекта СУЗ в отличие от традиционных информационных систем документационного обеспечения (информационно-поисковых систем) превращают знания в законченный продукт с высокой потребительной стоимостью, поскольку знание в отличие от набора относящейся к запросу всевозможной информации точно соответствует характеру решаемой задачи и может использоваться непосредственно при выработке решения.

С точки зрения второго аспекта СУЗ создает интерактивную среду общения людей, в которой повышается креативная способность генерации новых знаний, сразу попадающих в корпоративную память для последующего использования. С помощью СУЗ любое предприятие или организация превращаются в обучающуюся организацию, создающую «спираль знаний», в которой «неизвестные (неявные) знания должны быть выявлены и распространены, чтобы стать частью индивидуализированной базы знаний каждого работника. Спираль возобновляется всякий раз для подъема на новый уровень, расширяя базу знаний, применяемую к разным областям организации» .

Таким образом, для того чтобы процесс обновления знания был постоянным, необходимо создание постоянно функционирующих систем управления знаниями, которые могли бы не только объединять индивидуальные источники знаний отдельных пользователей, но и извлекать знания из внешних источников знания, баз статистических данных, информационного пространства ИНТЕРНЕТ. Для этого требуется возможность подключения корпоративной системы управления знаниями к другим системам управления знаний на базе единых подходов к концептуализации знаний.

Для систем управления знаниями характерны следующие особенности:

Интеллектуальное ассистирование. Система управления знаниями в отличие от экспертных систем не заменяет эксперта в процессе решения задач, а помогает ему, обеспечивая релевантной информацией и правилами принятия решений в конкретной ситуации. При этом в процессе решения задачи пользователь рассматривает различные варианты решений, представляемые системой управления знаниями, модифицирует постановку задачи или моделирует ситуацию, выбирая, таким образом, наиболее приемлемые решения. Может быть и другой режим решения задачи, когда пользователь самостоятельно решает задачу, а результат решения оценивает с помощью системы управления знаниями на предмет правильности и эффективности, например, обращаясь с помощью системы управления знаниями к коллегам-экспертам или экспертным системам.

Сбор и систематическая организация знаний из различных источников. Интеграция множества разнородных источников знаний осуществляется на основе единой системы концептуализации знаний. Основное требование к источникам знаний - предотвратить потерю и увеличить доступность всех видов корпоративного знания путем обеспечения централизованного, хорошо структурированного информационного хранилища. Структурированность информационного хранилища предполагает создание и описание единой системы знаний на основе таксономии концептуальных понятий, базы метазнаний или онтологии, через которую можно получать доступ к различным источникам знаний.

Минимизация проектирования базы знаний , как наполнения концептуальной схемы. Не все источники знаний могут быть известны, или они могут быть противоречивы, или часто изменяться. Система управления знаниями, с одной стороны, должна обеспечивать методы обработки таких ситуаций, а с другой стороны, обеспечивать легкое подключение новых источников знаний по мере их появления. При этом должна модифицироваться и сама концептуальная схема системы управления знаниями.

Быстрая адаптация системы управления знаниями к изменяющимся информационным потребностям. Адаптация системы управления знаниями осуществляется на основе обратной связи пользователей к системе в результате формулирования ими новых требований и разрезов анализа, а также информирования о пробелах, неверности и запаздывании знаний. Кроме того, происходит наполнение базы прецедентов с указанием успешного и неудачного решения проблем пользователями. При этом выполняется преобразование индивидуального знания в групповое знание, доступное для других пользователей системы управления знаниями. Форма собираемого и распределяемого знаний становится генеративной и повторно-используемой.

С этой точки зрения полезно накопление базы знаний прецедентов решения задач, обобщение характерных ситуаций и ошибок и распространение формируемых знаний.

Интеграция с существующей программной средой. К системе управления знаниями подключаются разнообразные аналитические инструменты, которые позволяют проводить извлечение неявной информации, содержащейся в источниках знаний, с помощью таких методов как статистический анализ и нейронные сети, экспертные системы, математическое и имитационное моделирование. Эти инструменты позволяют обнаруживать закономерности в отражаемой действительности и выявлять наиболее рациональное поведение в существующих условиях. Пользователь становится исследователем-экспериментатором, который не просто запрашивает интересующего его информацию, но и выдвигает и проверяет различные гипотезы. В этом смысле полезно подключение специализированных инструментальных программных средств.

Активная презентация релевантной информации. Система управления знаниями становится компетентным партнером в кооперативном решении проблем, учитывающим круг информационных потребностей пользователя и формирующим для него знания, исходя из его предполагаемых интересов. Особенно эффективно это свойство реализуется в системах управления отношениями с клиентами (CRM - customer relationship management).

Интеграция разнородных источников знаний, междисциплинарный характер их использования, необходимость привлечения внешних источников знаний, обмен знаниями между пользователями предполагает проведение разработки архитектуры системы управления знаниями на основе общего информационного пространства в виде интегрированной памяти , которую можно представить на трех взаимодействующих уровнях :

Объектный уровень - хранение аннотированных с помощью специально разработанной системы категорий источников знаний и их индексирование.

Понятийный уровень - определение концептуальной модели структуры знаний (системы категорий), общей для всех источников знаний, то есть разработка онтологии .

Уровень приложений - определение цели и ограничений на решение интеллектуальной задачи пользователем, то есть задание его глобального и локального контекста. При этом должен быть определен профиль знаний пользователя.

Рассмотрим перечисленные уровни организации корпоративной памяти более детально. При описании организации знаний на этих уровнях приводятся примеры конкретных действующих СУЗ, описанные в .

Объектный уровень корпоративной памяти

Возможные источники знаний, которые подключаются к СУЗ, представлены в таблице 1.2.

Таблица 1.2

Источники знаний

Документ без названия

Источники знаний	Методы приобретения знаний	Примеры знаний
Люди и группы	Документирование, Структурирование, Подключение	Примеры ситуаций, Правила, объекты Профиль знания
В неявной форме путем непосредственного подключения специалистов и экспертов к вычислительной сети посредством описания их профиля знаний. Опыт ведения прецедентов лучшей практики известен, например, в компании Huges Electronics, входящая в состав General Motors, которая ведет базу данных лучших проектов реконструкции предприятий. С каждым проектом связывается краткое описание и информация для контакта с ответственными лицами. Базы статистических данных и информационные хранилища представляют собой источник для извлечения неявных знаний с помощью методов интеллектуального анализа данных: индуктивного построения деревьев решений, кластерного и регрессионного анализа, построения нейронных сетей. Информационные хранилища могут содержать огромные объемы данных. Например, банк Chase Manhatten Bank имеет хранилище объемом более 560 Гбайт, компания MasterCard OnLine - 1,2 Тбайт. Для сбора статистических данных могут использоваться специализированные инструментальные средства. Например, для извлечения знаний из финансовой информации в системе EDGAR (Electronic Data Gathering and Retrival System) была разработана система EdgarScan, функционирующая в среде Internet. Текстовые источники знаний подключаются к СУЗ с помощью технологии фильтрации анализируемых в источнике знаний текстовых сообщений на основе списка тем, определяющих иерархию таксономии терминов конкретной предметной области. Как правило, фильтрация проводится по категориям и приоритетам важности. Например, система Odie (On demand Information Extractor) каждую ночь сканирует около 1000 статей с последними новостями для извлечения знаний о тенденциях в менеджменте. Odie, разработанная для американских и европейских обозревателей новостей, использует распознавание стилизованных фраз в статьях деловых новостей и знания о синтаксических правилах для распознавания соответствующих событий в сфере бизнеса. Графические схемы референтных моделей хранятся в специальных репозиториях, описывающих метаинформацию об организации бизнес-процессов. Например, в репозитории системы R/3 SAP содержится около 100 испытанных организационно-экономических сценариев и моделей для различных отраслей. Референтные модели с помощью экспертных правил могут быть преобразованы в конкретные модели организации бизнес-процессов предприятий. Концептуальный уровень структуры знаний корпоративной памяти В основе концептуального уровня структуры знаний лежит таксономия используемых понятий (онтология), предназначенная для идентификации различных компонентов знания. Онтологию можно рассматривать, как систему рубрикации предметной области, с помощью которой интегрируются разнородные источники знаний. С другой стороны, онтология рассматривается, как словарь-тезаурус, совместно используемый в СУЗ для упрощения коммуникации пользователей, формулирования и интерпретации их запросов. Концептуальный уровень корпоративной памяти обеспечивает семантическую интерпретацию запросов к СУЗ, которая реализует унифицированный интеллектуальный доступ к множеству источников знаний. В результате достигаются следующие ключевые преимущества: Точный и эффективный доступ СУЗ к источникам знаниям, релевантным контексту задачи (конкретной ситуации). Лучшее понимание и интерпретацию пользователем полученных знаний в данном контексте с возможностью дополнительных справочных обращений к корпоративной памяти. Информационное моделирование, то есть итерационное уточнение информационных потребностей в процессе решения задачи. В качестве примера применения словарей-тезаурусов можно привести промышленную информационно-поисковую систему Retrieval Ware (Canbera), позволяющую осуществлять с использованием обычного web-браузера полнотекстовый и атрибутивный поиск в разнообразных источниках знаний: электронных архивах текстовых документов, web-pecypcax, базах форматированных данных, электронных таблицах, графических, звуковых и визуальных образах (в 250 форматах). Семантическая сеть, отражаемая в словаре-тезаурусе для английского языка, включает 400000 слов и более 1600000 связей между ними. В словаре локализованной версии программного продукта «Русский семантический сервер» в настоящее время отражено около 42 тысяч слов и идиоматических выражений. Технология семантического поиска позволяет также использовать одновременно несколько словарей. Например, одновременно с базовым словарем, система может использовать отраслевой словарь, внутренний словарь организации, а также личный словарь пользователя, которые могут разрабатываться по мере необходимости. Ограниченность тезаурусной организации знаний связана с узкой направленностью на решение только поисковых задач. Для расширения круга задач СУЗ, связанных с выбором альтернатив при обосновании проектов, принятии решений, обучении, требуется более сложная организация знаний, предполагающая определение в декларативной форме логики решения задач или создание онтологии задач. В качестве хорошего примера такого рода системы можно назвать систему Ontolingua. Система Ontolingua предназначена для поддержки формального специфицирования задач пользователя на основе библиотеки формальных описаний фрагментов задач, моделей и понятий, а также для ведения самой библиотеки фрагментов (рис. 1.17 ). Отологии могут использоваться не только в системах управления знаниями, но и в транзакционных системах таких, как системы электронной коммерции, логистические системы, виртуальные предприятия, в которых требуется многоагентная технология обмена знаниями. Уровень приложения Интеллектуальные задачи, которые решаются на основе СУЗ, отличаются слабой формализованностью, предполагающей нечеткость постановки целей решения задачи и описания условий решения задачи. Кроме того, уровень знаний и система критериев оценки решения у различных пользователей могут отличаться. Обычно типичное решение интеллектуальной задачи сводится к следующим шагам: Формулировка постановки задачи. Отбор релевантных задаче источников знаний. Понимание отобранного материала (обучение, консультация). Решение задачи (выработка, конфигурация решения). Проверка допустимости решения задачи (оценка решения задачи, консультация с экспертами, экспертными системами). Принятие решений и мониторинг его реализации. Запоминание результатов решения задачи в корпоративной памяти. На каждом шаге решения интеллектуальной задачи может использоваться СУЗ, работа которой сводится к итерационной серии поисков в корпоративной памяти, обеспечивающей точность достижения цели каждого этапа. Например, на предприятии решается задача выбора стратегии повышения эффективности производства, которая относится к классу слабо формализованных задач. Для начала необходимо запросить информацию о возможных целях, критериях и методах повышения эффективности производства. Далее описать свое предприятие. На основе сформулированной задачи система произведет отбор источников знаний. Изучение материала может вызвать уточняющий или объясняющий диалог. Принятое решение может быть отправлено выбранным с помощью СУЗ специалистам на экспертизу. В процессе реализации решения информация об отдельных шагах заносится в базу знаний для корректировки стратегии на основе выявленных отклонений и для использования при решении аналогичных задач в будущем. На каждом этапе решения интеллектуальной задачи определяются требования по входу и выходу, используемым методам и средствам, а также используемым ресурсам (конкретным исполнителям, временным, материальным и стоимостным ограничениям) и чисто внешне выглядит как заполнение некоторой экранной формы, в которой фиксируются: Общая цель активности. Контекстная информация, известная из состояния процесса или задаваемая вручную на данном шаге. Экранная форма, как правило, заполняется с помощью списков ключевых слов, связанных с рубриками онтологии. Таким образом, экранная форма запроса отражает текущий локальный контекст поиска, который определяет особенности выполнения следующего шага решения задачи. Однократный доступ к знаниям в современных СУЗ сводится в основном либо к поиску релевантных знаний со стороны конечных пользователей, либо к распространению знаний среди пользователей со стороны системы управления знаниями. Таким образом, в качестве инициаторов процессов управления знаниями могут быть как люди, так и СУЗ. С другой стороны носителями знаний, к которым обращаются инициаторы процессов, также могут быть, как люди, так и СУЗ. Возможные варианты взаимодействия людей и СУЗ показаны в таблице 1.3. Таблица 1.3 Доступ к источникам знаний Документ без названия Связывание людей в СУЗ осуществляется с помощью многоагентной технологии на основе репозитория умений людей. У каждого участника процесса управления знаниями в вычислительной сети может существовать компьютерный двойник - интеллектуальный агент, который вступает в переговоры с аналогичными агентами в сети для решения общей задачи. Примером такой многоагентной системы может служить система ContactFinder, которая осуществляет поиск экспертов в сети, используя технологию доски объявлений, которая доступна для обмена сообщениями между агентами. При этом велика роль онтологии, как словаря общения агентов и описания профиля их знаний. Связывание людей и СУЗ для отбора релевантных знаний осуществляется с помощью поисковых машин в хранилищах знаний («pool-хранилищ»). Недостаточная интеллектуальность существующих поисковых машин приводит к нерелевантности отбираемых знаний. В настоящее время разрабатываются поисковые машины на базе применения онтологии, например, система SHOE, OntoBroker и др. В качестве графических инструментов визуализации карты знаний при навигации путей доступа могут использоваться специальные инструменты, например, Perspecta и InXight. Связывание СУЗ и людей осуществляется по «выталкивающей» технологии (push-технологии), по которой СУЗ изучает информационные потребности пользователей и в соответствии с ними самостоятельно распространяет или доставляет знания до потребителей. Например, InfoFinder изучает интересы пользователей по наборам формируемых сообщений или запрашиваемых документов. Кроме того, InfoFinder использует эвристические методы для сбора дополнительных, более точных сведений о запросах пользователей, что позволяет InfoFinder находить документы, предугадывая запросы пользователя. Связывание СУЗ и СУЗ в процессе реализации более сложных запросов, когда одна СУЗ не может справиться с поставленной задачей и обращается за помощью к другой СУЗ, как правило, выполняется по многоагентной технологии. Кроме того, могут использоваться специальные путеводители знаний, с помощью которых упрощается навигация путей отбора знаний в интегрированном пространстве знаний, например, путеводитель компании CoopersLibrand - «Michelin Guides», облегчающий понимание содержания и местоположения источников знаний. Компания Andersen Consulting имеет центральное хранилище карт знаний, с помощью которой связываются различные источники знаний. Что следует запомнить Интеллектуальная информационная система (ИИС) - это ИС, которая основана на концепции использования базы знаний для генерации алгоритмов решения экономических задач различных классов в зависимости от конкретных информационных потребностей пользователей. Важнейшие признаки классификации ИИС: развитые коммуникативные способности, сложность (плохая формализуемость алгоритма), способность к самообучению, адаптивность. Основные подклассы ИИС: интеллектуальные базы данных, в т.ч. с интерфейсами, использующими естественный язык, гипертекст и мультимедиа, когнитивную графику; статические и динамические экспертные системы; самообучающиеся системы на принципах индуктивного вывода, нейронных систем, поиска прецедентов, организации информационных хранилищ; адаптивные информационные системы на основе использования CASE-технологий и/или компонентных технологий, системы управления знаниями. Система с интеллектуальным интерфейсом - это ИИС, предназначенная для поиска неявной информации в базе данных или тексте для произвольных запросов, составляемых, как правило, на ограниченном естественном языке. Экспертная система (ЭС) - это ИИС, предназначенная для решения слабоформализуемых задач на основе накапливаемого в базе знаний опыта работы экспертов в проблемной области. Участники процесса разработки и эксплуатации ЭС: эксперты, инженеры по знаниям, пользователи. Эксперт - специалист, знания которого помещаются в базу знаний. Инженер по знаниям - специалист, который занимается извлечением знаний и их формализацией в базе знаний. Пользователь - специалист, интеллектуальные способности которого расширяются благодаря использованию в практической деятельности ЭС. Основные составные части архитектуры ЭС: база знаний, механизмы вывода, объяснения, приобретения знаний, интеллектуальный интерфейс. База знаний - это центральный компонент ЭС, который определяет ценность ЭС и с которым связаны основные затраты на разработку. База знаний - это хранилище единиц знаний, описывающих атрибуты и действия, связанные с объектами проблемной области, а также возможные при этом неопределенности. Единица знаний - это элементарная структурная единица, (описание одного объекта, одного действия), которая имеет законченный смысл. В качестве единиц знаний обычно используются правила и/или объекты . Неопределенность знаний - это или неполнота, или недостоверность, или многозначность, или качественная (вместо количественной) оценка единицы знаний. Механизм вывода - это обобщенная процедура поиска решения задачи, которая на основе базы знаний и в соответствии с информационной потребностью пользователя строит цепочку рассуждений (логически связанных единиц знаний), приводящую к конкретному результату. Дедуктивный вывод (от общего к частному) - вывод частных утверждений путем подстановки в общие утверждения других известных частных утверждений. Различают прямую (от данных к цели) и обратную (от цели к данным) цепочки рассуждений (аргументации) . Индуктивный вывод (от частного к общему) - вывод (обобщение) на основе множества частных утверждений общих утверждений (из примеров реальной практики правил). Абдуктивный вывод (от частного к частному) - вывод частных утверждений на основе поиска других аналогичных утверждений (прецедентов). Механизм приобретения знаний - это процедура накопления знаний в базе знаний, включающая ввод, контроль полноты и непротиворечивости единиц знаний и, возможно, автоматический вывод новых единиц знаний из вводимой информации. Механизм объяснения - это процедура, выполняющая обоснование полученного механизмом вывода результата. Интеллектуальный интерфейс - это процедура, выполняющая интерпретацию запроса пользователя к базе знаний и формирующая ответ в удобной для него форме. Назначение экспертной системы: консультирование и обучение неопытных пользователей, ассистирование экспертам в решении задач, советы экспертам по вопросам из смежных областей знаний (интеграция источников знаний). Статическая экспертная система - это ЭС, решающая задачи в условиях не изменяющихся во времени исходных данных и знаний. Динамическая экспертная система - это ЭС, решающая задачи в условиях изменяющихся во времени исходных данных и знаний. Аналитическая экспертная система - это ЭС, осуществляющая оценку вариантов решений (проверку гипотез). Синтетическая экспертная система - это ЭС, осуществляющая генерацию вариантов решений (формирование гипотез). Классы решаемых задач в экспертной системе: интерпретация, диагностика, прогнозирование, проектирование, планирование, мониторинг, коррекция, управление. Самообучающаяся система - это ИИС, которая на основе примеров реальной практики автоматически формирует единицы знаний. Система с индуктивным выводом - это самообучающаяся ИИС, которая на основе обучения на примерах реальной практики строит деревья решений. Нейронная сеть - это самообучающаяся ИИС, которая на основе обучения на примерах реальной практики строит ассоциативную сеть понятий (нейронов) для параллельного поиска на ней решений. Система, основанная на прецедентах, - это самообучающаяся ИИС, которая в качестве единиц знаний хранит собственно прецеденты решений (примеры) и позволяет по запросу подбирать и адаптировать наиболее похожие прецеденты. Интеллектуальный анализ данных (Data Mining) - это набор методов автоматического извлечения знаний из специально организованных информационных хранилищ (Data Warehouse ), к которым относят статистические методы, индуктивный вывод, нейронные сети, генетические алгоритмы. Адаптивная информационная система - это ИИС, которая изменяет свою структуру в соответствии с изменением модели проблемной области. Модель проблемной области - отражение структуры объектов, функций, процессов, правил, связанных с функционированием проблемной области. Репозиторий - хранилище метазнаний о структуре фактуального и операционного знания или модели проблемной области. Case-технология - технология, позволяющая генерировать информационную систему на основе модели проблемной области, хранимой в репозиторий. Компонентная технология - технология, позволяющая конфигурировать информационную систему из готовых типовых компонентов на основе модели проблемной области, хранимой в репозиторий. Система управления знаний (СУЗ) - взаимосвязанная совокупность организационных процедур, людей и информационных технологий, которая обеспечивает сбор, накопление, организацию, распространение и использование знаний для решения задач качественного информационного обслуживания (обеспечения) выполнения деловых процессов и интерактивного взаимодействия специалистов. Корпоративная память - хранилище источников знаний и их метаописания для коллективного использования в организации. Источники знаний СУЗ - опыт специалистов, представляемый в виде прецедентов, структурированных баз знаний экспертных систем, описаний профилей знаний; документальных источников знаний внутри и вне организации; баз и хранилищ форматированных данных; референтных моделей организации деловых процессов. Онтология - концептуальное описание структуры знаний для формализованных и неформализованных источников знаний. Приложения СУЗ - поиск и использование знаний для решения интеллектуальных задач обоснований решений, проектирования, инноваций; обучение; обмен знаниями в процессе взаимодействия специалистов; распространение знаний для ознакомления в потенциальном плане.

Основное назначение информационных систем в экономике – это своевременное представление необходимой информации ЛПР для принятия им адекватных и эффективным решений при управлении процессами, ресурсами, финансовыми транзакциями, персоналом или организацией в целом. Однако в процессе развития информационных технологий, исследования операций и технологий моделирования, а также с возрастанием потребителей информационно – аналитической поддержки самих ЛПР, все больше проявлялась потребность в системах, не только представляющих информацию, но и выполняющих некоторый ее предварительный анализ, способных давать некоторые советы и рекомендации, осуществлять прогнозирование развития ситуаций, отбирать наиболее перспективные альтернативы решений, т.е. поддерживать решения ЛПР, взяв на себя значительную часть рутинных операций, а также функции предварительного анализа и оценок.

Информационнаясистема поддержки решений (ИСПР) связывает интеллектуальные ресурсы управленца со способностями и возможностями компьютера для улучшения качества решений. Эти системы предназначены для менеджеров, принимающих управленческие решения в условиях полуструктурированных и слабо определенных задач.

Таким образом, дальнейшее развитие ИСПР привело к созданию интеллектуальной информационной СПР.

Интеллектуальные информационные технологии (ИИТ) (Intellectual information technology , IIT ) - это информационные технологии, помогающие человеку ускорить анализ политической, экономической, социальной и технической ситуации, а также - синтез управленческих решений.

Использование ИИТ в реальной практике подразумевает учет специфики проблемной области, которая может характеризоваться следующим набором признаков:

• качество и оперативность принятия решений;
• нечеткость целей и институциальных границ;
• множественность субъектов, участвующих в решении проблемы;
• хаотичность, флюктуируемость и квантованность поведения среды;
• множественность взаимовлияющих друг на друга факторов;
• слабая формализуемость, уникальность, нестереотипность ситуаций;
• латентность, скрытость, неявность информации;
• девиантность реализации планов, значимость малых действий;
• парадоксальность логики решений и др.

ИИТ формируются при создании информационных систем и информационных технологий для повышения эффективности управления знаниями, принятия решений в условиях, связанных с возникновением проблемных ситуаций. В этом случае любая жизненная или деловая ситуация описывается в виде некоторой познавательной модели (когнитивной схемы, архетипа, фрейма и пр.), которая впоследствии используется в качестве основания для построения и проведения моделирования, в том числе - компьютерного.

Глава I. История развития Интеллектуальных информационных систем

История Интеллектуальных информационных систем (ИИС) начинается с середины XX века, что связано с развитием Искусственного интеллекта как нового научного направления, появлением термина «Artificial Intelligence».

Предпосылки развития искусственного интеллекта в СССР и России появляются уже в XIX веке, когда Коллежский советник Семён Николаевич Корсаков (1787-1853) ставил задачу усиления возможностей разума посредством разработки научных методов и устройств, перекликающуюся с современной концепцией искусственного интеллекта, как усилителя естественного. В 1832 г. С. Н. Корсаков опубликовал описание пяти изобретённых им механических устройств, так называемых «интеллектуальных машин», для частичной механизации умственной деятельности в задачах поиска, сравнения и классификации. В конструкции своих машин Корсаков впервые в истории информатики применил перфорированные карты, игравшие у него своего рода роль баз знаний, а сами машины по существу являлись предшественниками экспертных систем. «Интеллектуальные машины» позволяли находить решения по заданным условиям, например определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания. В СССР работы в области искусственного интеллекта начались в 1960-х гг. В Московском университете и Академии наук был выполнен ряд пионерских исследований, возглавленных В. Пушкиным и Д. А. Поспеловым. В 1964 г. была опубликована работа ленинградского логика С. Маслова «Обратный метод установления выводимости в классическом исчислении предикатов», в которой впервые предлагался метод автоматического поиска доказательства теорем в исчислении предикатов. В 1966 г. В. Ф. Турчиным был разработан язык рекурсивных функций Рефал. До 1970-х гг. в СССР все исследования ИИ велись в рамках кибернетики. По мнению Д. А. Поспелова, науки «информатика» и «кибернетика» были в это время смешаны, по причине ряда академических споров. Только в конце 1970-х в СССР начинают говорить о научном направлении «искусственный интеллект» как разделе информатики. При этом родилась и сама информатика, подчинив себе прародительницу «кибернетику». В конце 1970-х создаётся толковый словарь по искусственному интеллекту, трёхтомный справочник по искусственному интеллекту и энциклопедический словарь по информатике, в котором разделы «Кибернетика» и «Искусственный интеллект» входят наряду с другими разделами в состав информатики.

История ИИТ начинается с середины 1970-х годов и связывается с совместным практическим применением интеллектуальных информационных систем, систем искусственного интеллекта, систем поддержки решений и информационных систем.История ИИТ связана также с развитием трех научных направлений: компьютерной философии, компьютерной психологии и продвинутой компьютерной науки (Advanced computer science ) и дополняется прогрессом в создании:

1. ситуационных центров

2. информационно-аналитических систем

3. инструментариев эволюционных вычислений и генетических алгоритмов

4. систем поддержки общения человека с компьютером на естественном языке

5. когнитивным моделированием

6. систем автоматического тематического рубрицирования документов

7. систем стратегического планирования

8. инструментариев технического и фундаментального анализа финансовых рынков

9. систем менеджмента качества

10. систем управления интеллектуальной собственностью и др.

Искусственный интеллект как наука был основан тремя поколениями исследователей.

В Табл.1.1. представлены ключевые события в истории ИИ и инженерии знаний, начиная с первой работы У. Маккалока и У. Питса в 1943 г. и до современных тенденций в комбинированных усилиях экспертных систем, нечеткой логики и нейронных вычислений в современных системах, основанных на знаниях, способных осуществлять вычисления при помощи слов.

Таблица 1.1.

Краткий перечень главных событий в истории ИИ и инженерии знаний

Период	События
Рождение ИИ (1943-1956)	У. Маккалок и У. Питс: Логическое исчисление идей, присущих нервной деятельности, 1943. А.Тьюринг: Вычислительная машина и интеллект, 1950. К. Шеннон: Программирование компьютера для шахматной игры, 1950.
Подъем ИИ (1956- конец 1960-х)	Д. Маккарти: LISP – язык программирования искусственного интеллекта. М. Куллиан: Семантические сети для представления знаний,1966. А. Ньюэл и Г. Саймон: Универсальный решатель задач (GPS ),1961. М. Минский: Структуры для представления знаний (фреймы), 1975.
Открытие и разработка экспертных систем (начало 1970-х – середина 1980-х).	Э. Фейгенбаум, Б. Букханан и др. (Стэндфордский университет): Экспертная система DENDRAL Э. Фейгенбаум, Э. Шортлиф: Экспертная система MYCIN Стэндфордский исследовательский центр: Экспертная система PROSPECTOR А. Колмероэ, Р. Ковальски и др. (Франция): Язык логического программирования PROLOG .
Возрождение искусственный нейронных сетей (1965 и далее)	Дж. Хопфилд: Нейронные сети и физические с эмержентными коллективнымивычислительными способностями, 1982. Т. Кохонен: Самоорганизующиеся топологически правильные карты, 1982. Д. Румельхарт и Д. Макклеланд: Распределенная параллельная обработка данных, 1986.
Эволюционное вычисление (начало 1970-х и далее)	И. Рехенберг: Эволюционные стратегии – оптимизация технических систем по принципам биологической информации, 1973. Дж. Холланд: Адаптация в естественных и искусственных системах, 1975. Дж. Коза: Генетическое программирование: компьютерное программирование средствами естественного отбора, 1992. Д.Фогель: Эволюционное вычисление – направление новой философии в машинном интеллекте, 1995.
Нечеткие множества и нечеткая логика (середина 1960-х и далее)	Л. Заде: Нечеткие множества, 1965. Л. Заде: Нечеткие алгоритмы, 1969. Э. Мамдани: Применение нечеткой логики в приближенном рассуждении с использованием лингвистического синтеза, 1977. - М. Суджено: Нечеткий логический вывод (алгоритм Такаги-Суджено), 1985
Вычисления при помощи слов (конец 1980-х и далее)	А. Нейгоца: Экспертные системы и нечектие системы, 1985. Б. Коско: Нейронные сети и нечеткие системы, 1992. Б. Коско: Нечеткое мышление, 1993. Р. Ягер и Л. Заде: нечеткие множества, нейронные сети и мягкие вычисления, 1994. Б. Коско: Нечеткая инженерия, 1996. Л. Заде: Вычисления при помощи слов, 1996.

Таким образом, исторически разработки в области ИИ велись в двух основных направлениях:

- первое направление связано с попытками разработки ин­теллектуальных машин путем моделирования их биологического прототипа - человеческого мозга. Сейчас это направление возрож­дается на основе развития современных аппаратных и программ­ных средств (микрочипы на основе нечеткой логики, распределенные многопроцессорные системы, многоагентные системы, мягкие вычисления, генетические алгоритмы и нейронные сети и т.д.).

- второе направление связано с разработками методов, приемов, специализированных устройств и программ для компью­теров, обеспечивающих решение сложных математических и ло­гических задач, позволяющих автоматизировать отдельные ин­теллектуальные действия человека (системы, основанные на знаниях, экспертные системы, прикладные интеллектуальные системы).

Эти два направления как бы определяют программу минимум и программу максимум, между которыми и лежит область сегодняшних исследований и разработок систем ИИ. Работы по разработке программного и аппаратного обеспечения ИИ выделены в отдельную область.

Глава II. Интеллектуальные системы и их виды

Интеллектуальная система (ИС, intelligent system ) - это техническая или программная система, способная решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. Структура интеллектуальной системы включает три основных блока - базу знаний, решатель и интеллектуальный интерфейс.

Со всем процессом разработки интеллектуальных информационных систем в целом и ЭС в частноститесно связанаИнженерия знаний . Это методология ЭС, которая охватывает методы добычи, анализа и выражения в правилах знаний экспертов для формирования базы правил. Развитие ЭС создало инженерию знаний – процесс построения интеллектуальных систем. Она представляет собой совокупность моделей, методов и технических приемов, нацеленных на создание систем, которые предназначены для решения проблем с использованием знаний. Главными элементами инженерии знаний являются использование операций типа обобщение, генерация гипотез для индуктивных выводов, подготовка новых программ самими компьютерными программами и т.д. Слово engineering в английском означаетискусная обработка предметов, изобретение или создание чего-либо. Следовательно, работу по оснащению программ специальными экспертными знаниями из проблемной области, выполняемую человеком, либо компьютером (программой), также можно назвать инженерией знаний.

Виды интеллектуальных систем :

1. Расчетно-логическая система

К расчетно-логическим системам относят системы, способные решать управленческие и проектные задачи по декларативным описаниям условий. При этом пользователь имеет возможность контролировать в режиме диалога все стадии вычислительного процесса. Данные системы способны автоматически строить математическую модель задачи и автоматически синтезировать вычислительные алгоритмы по формулировке задачи. Эти свойства реализуются благодаря наличию базы знаний в виде функциональной семантической сети и компонентов дедуктивного вывода и планирования

1. Рефлекторная интеллектуальная система

Рефлекторная система - это система, которая формирует вырабатываемые специальными алгоритмами ответные реакции на различные комбинации входных воздействий. Алгоритм обеспечивает выбор наиболее вероятной реакции интеллектуальной системы на множество входных воздействий, при известных вероятностях выбора реакции на каждое входное воздействие, а также на некоторые комбинации входных воздействий. Данная задача подобна той, которую реализуют перцептроны. Перцептро́н , или перс ептрон (perceptron ) - математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга ), предложенная Фрэнком Розенблаттом в 1957 г. и реализованная в виде электронной машины «Марк-1» в 1960 г. Перцептрон стал одной из первых моделей нейросетей , а «Марк-1» - первым в мире нейрокомпьютером . Несмотря на свою простоту, перцептрон способен обучаться и решать довольно сложные задачи. Рефлекторные программные системы применяются к следующим задачам: естественно-языковой доступ к базам данных; оценки инвестиционных предложений; оценки и прогнозирования влияния вредных веществ на здоровье населения; прогнозирования результатов спортивных игр.

1. Интеллектуальная информационная система

Интеллектуальная информационная система (ИИС, intelligent system ) - система, основанная на знаниях.

1. Гибридная интеллектуальная система

Под гибридной интеллектуальной системой принято понимать систему, в которой для решения задачи используется более одного метода имитации интеллектуальной деятельности человека. Таким образом ГИС - это совокупность:

• аналитических моделей
• экспертных систем
• искусственных нейронных сетей
• нечетких систем
• генетических алгоритмов
• имитационных статистических моделей

Междисциплинарное направление «гибридные интеллектуальные системы» объединяет ученых и специалистов, исследующих применимость не одного, а нескольких методов, как правило, из различных классов, к решению задач управления и проектирования.

Глава III . Интеллектуальные информационные системы (ИИС) поддержки принятия решений

ИИС представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи: осуществление поддержки деятельности человека, например возможность поиска информации в режиме продвинутого диалога на естественном языке.

ИИС – это компьютерная система, состоящая из 5 основных взаимодействующих компонентов : языковой подсистемы (механизм обеспечения связи между пользователем и другими компонентами ИСПР), информацией подсистемы (хранилище данных и средств их обработки), подсистемы управления знаниями (хранилище знаний о проблемной области, таких как процедуры, эвристики и правила, и средства обработки знаний), подсистемы управления моделями и подсистемы обработки и решения задач (связующее звено между другими подсистемами).

Классификация задач, решаемых ИИС :

• Интерпретация данных . Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается процесс определения смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.
• Диагностика . Под диагностикой понимается процесс соотношения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе. Неисправность - это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является здесь необходимость понимания функциональной структуры («анатомии») диагностирующей системы.
• Мониторинг . Основная задача мониторинга - непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы - «пропуск» тревожной ситуации и инверсная задача «ложного» срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учёта временного контекста.
• Проектирование . Проектирование состоит в подготовке спецификаций на создание «объектов» с заранее определёнными свойствами. Под спецификацией понимается весь набор необходимых документов-чертёж, пояснительная записка и т.д. Основные проблемы здесь - получение чёткого структурного описания знаний об объекте и проблема «следа». Для организации эффективного проектирования и в ещё большей степени перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.
• Прогнозирование . Прогнозирование позволяет предсказывать последствия некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.
• Планирование . Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.
• Обучение . Под обучением понимается использование компьютера для обучения какой-то дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе они способны диагностировать слабости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения - одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке.

• Управление . Под управлением понимается функция организованной системы, поддерживающая определенный режим деятельности. Такого рода ЭС осуществляют управление поведением сложных систем в соответствии с заданными спецификациями.
• Поддержка принятия решений . Поддержка принятия решения - это совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающие процесс принятия решения. Эти ЭС помогают специалистам выбрать и/или сформировать нужную альтернативу среди множества выборов при принятии ответственных решений.

В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа , и на системы, решающие задачи синтеза . Основное отличие задач анализа от задач синтеза заключается в том, что если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально не ограничено и строится из решений компонент или подпроблем. Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, планирование, управление. Комбинированные: обучение, мониторинг, прогнозирование.

Глава IV . Разработка и проектирование ИИС

§1. Этапы проектирования ИИС

Существуют различные взгляды на определение числа этапов проектирования интеллектуальных систем. Это зависит от многих факторов, в част­ности от характера функций будущей интеллектуальной системы, области использова­ния, наличия развитых инструментальных средств и т. д.

Процесс построения систем ИИ можно раз­делить на пять этапов (см.Рис.4.1.1.).

Рис.4.1.1. Этапы проектирования ИИ

1. Идентификация определения задач и идентификация их характеристик. Разра­батывается техническое задание на проектируемую систему, ограничивается круг пользователей системы.

2. Выделение главных концепций предметной области, которые отражают знания круга экспертов. Инженер знаний определяет формальные средства представления знаний и процедуры получения решений. Выявля­ются и формулируются понятия, определяющие выбор характерной схемы представления знаний эксперта о предметной области. Основным источником знаний о проблемной области является человек-эксперт, книги, технологические описания, инструк­ции, документы, методы «мозгового штурма», методы автоматизированного запол­нения БЗ. Другим важным источником знаний является Интернет (традиционный поиск необходимой информации и знаний, а также интеллектуальные агенты (программные роботы)).

3 . Выбор формализма представления знаний и определение механизма вывода решений . Разработанная структура для представления знаний является основой для реализации следующего этапа - непосредственного построения базы знаний системы.

4.Выбор или разработка языка представления знаний. После того как правила сформулированы и представлены на выбранном языке представления, они заносятся инженером знаний в БЗ.

5.Тестирование системы путем решения кон­кретных проверочных задач.

Этапы создания интеллектуальных систем не являются четко очерченными и под­робно регламентированными. Между некоторыми из них трудно провести временную и содержательную границу.Онив какой-то степени приблизительно описывают процесс проектирования интеллектуальных систем.

§2. Стадии существования ИИС

Стадии существования интеллектуальных систем (или жизненные циклы системы) соответствуют уровню готовности системы, завершенности ее функциональных возможностей, реализуемых инструментарием. Определяют следующие стадии существования интеллектуальных систем: демонстрационный прототип; исследовательский прототип; действующий прототип; промышленная система; коммерческая система.

Демонстрационный прототип - это состояние разработанности системы, когда она решает некоторую часть проблемных задач. При разработке демонстрационного прототипа стремятся достичь противоречивых целей: с одной стороны, система на стадии демон­страционного прототипа должна выполнять задачи, которые бы до­вольно полно характеризовали ее возможности, с другой стороны, эту стадию стремятся пройти как можно быстрее. Работа демон­страционного прототипа может быть признана удовлетворительной, если он оперирует минимальным набором правил, достаточным для решения некоторых задач. Время разработки колеблется от двух месяцев до года.

Исследовательский прототип проектируется в течение 1,5 ...2 лет. На этой стадии развития системы ее БЗ уже содержит не­сколько сотен правил, которые достаточно адекватно описывают предметную область.

Действующий прототип интеллектуальных систем осуществляет качественный вывод решений на расширившемся пространстве правил, достигшем порядка 1000. Поэтому для вывода сложных решений требую большие ресурсы времени и памяти.

Промышленные системы обеспечивают высокий уровень качества решения проблем предметной области при значительных уменьшениях времени решения и требуемой памяти. Количество правил возрастает не столь значительно по сравнению с действу­ющим прототипом. На этой стадии происходит преобразование дей­ствующего прототипа за счет расширения числа правил и совер­шенствования интеллектуальных систем на базе использования более эффективных, инструментальных средств. Это требует примерно 3 ... 4 года.

Коммерческаясистема предназначенавосновномдляпродажи. Она является либо проблемно-ориентированной, либо проблемно-независимой.

§3. Инструментальные средства проектирования ИИС

Несмотря на наличие множества подходов как к пониманию задач ИИ, так и созданию интеллектуальных информационных систем, можно выделить два основных подхода к разработке ИИ:

• нисходящий (Top - Down AI ), семиотический - создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.;
• восходящий (Bottom - Up AI ), биологический - изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе биологических элементов, а также создание соответствующих вычислительных систем, таких как нейрокомпьютер или биокомпьютер.

Для разработки ИИС раньше использовались логические языки (Пролог, Лисп и т. д.), а сейчас используются различные процедурные языки. Логико-математическое обеспечение разрабатывается как для самих модулей систем, так и для состыковки этих модулей. Однако в области лингвистики тоже существует множество проблем, например, для обеспечения работы системы в режиме диалога с пользователем на естественном языке необходимо заложить в систему алгоритмы формализации естественного языка, а эта задача оказалась куда более сложной, чем предполагалось на заре развития интеллектуальных систем. Еще одна проблема - постоянная изменчивость языка, которая обязательно должна быть отражена в системах искусственного интеллекта.

На проектирование и создание одной экспертной системы ранее требовалось 20-30 человек-лет. В настоящее время имеется ряд средств, ускоряющих создание. Эти средства называют инструментальными или инструментарием . Использование инструментальных средств разработки экспертных систем сокращает время, затрачиваемое на их создание, в 3-5 раз.

Инструментальное средство разработки экспертных систем – это язык программирования, используемый инженером знаний и/или программистом для построения экспертной системы. Этот инструмент отличается от обычных языков программирования тем, что обеспечивает удобные способы представления сложных высокоуровневых понятий.

По своему назначению и функциональным возможностям инструментальные программы, применяемые при проектировании экспертных систем, можно разделить на четыре большие категории:

1. Оболочки экспертных систем

Системы этого типа создаются, как правило, на основе какой-нибудь экспертной системы, достаточно хорошо зарекомендовавшей себя на практике. При создании оболочки из системы-прототипа удаляются компоненты, слишком специфичные для области ее непосредственного применения, и оставляются те, которые не имеют узкой специализации. Примером может служить система EMYCIN, созданная на основе прошедшей длительную «обкатку» системы MYCIN. В EMYCIN сохранен интерпретатор и все базовые структуры данных – таблицы знаний и связанные с ними механизм индексации. Оболочка дополнена специальным языком, улучшающим читабельность программ, и средствами поддержки библиотеки типовых случаев и заключений, выполненных по ним экспертной системой.

2. Языки программирования высокого уровня

Инструментальные средства этой категории избавляют разработчика от необходимости углубляться в детали реализации системы – способы эффективного распределения памяти, низкоуровневые процедуры доступа и манипулирования данными. Одним из наиболее известных представителей таких языков является OPS5. Этот язык прост в изучении и предоставляет программисту гораздо более широкие возможности, чем типичные специализированные оболочки. Следует отметить, что большинство подобных языков так и не было доведено до уровня коммерческого продукта и представляет собой скорее инструмент для исследователей. Осуществляется программирование на обычных языках (Паскаль, Си и др.), программирование на специализированных языках, применяемых в задачах искусственного интеллекта (LISP, FRL, SmallTalk и др.) и др.

3. Среда программирования, поддерживающая несколько парадигм

Средства этой категории включают несколько программных модулей, что позволяет пользователю комбинировать в процессе разработки экспертной системы разные стили программирования. Среди первых проектов такого рода была исследовательская программа LOOP, которая допускала использование двух типов представления знаний: базирующегося на системе правил и объектно-ориентированного. На основе этой архитектуры во второй половине 1980-х годов было разработано несколько коммерческих программных продуктов, из которых наибольшую известность получили KEE, KnowledgeCraft и ART. Эти программы предоставляют в распоряжение квалифицированного пользователя множество опций и для последующих разработок, таких как КАРРА и CLIPS, и стали своего рода стандартом. Однако освоить эти языки программистам далеко не так просто, как языки, отнесенные к предыдущей категории.

4. Дополнительные модули

Глава V . Архитектура ИИС

§1. Структура интеллектуальной системы

В зависимости от характера выполняемых функций и области действий эксперты выполняют несколько характерных задач, ко­торые являются типичными: интерпретация, плани­рование, управление, проектирование, прогнозирование, диспетчирование и мониторинг, диагностика. Главное, эксперт спосо­бен обновлять свои знания (т. е. обучаться), объяснять действия, обосновывать решения, прогнозировать развитие ситуаций, актив­но взаимодействовать с внешней средой и воспринимать информа­цию различного характера, получать решения на основе имею­щихся знаний, хранить в памяти необходимую информацию и фактографические данные. Анализ задач послужит ориентиром при рассмотрении архитектуры ИС, осно­ванных на знаниях.

Таким образом, чтобы создать систему, работающую со зна­ниями и способную в какой-то мере заменить эксперта или по­мочь ему в принятии решений при управлении производством, не­обходимо стремиться заложить в архитектуру нашей системы возможности по реализации названных функций.

На Рис.5.1.1.. представлена обобщенная структура и компоненты интеллектуальной системы, а также ее окружение.

Рис.5.1.1. Структура интеллектуальных систем.

§2. СтруктураБЗ ивзаимодействиесдругимикомпонентами интеллектуальной системы

Структурно БЗ можно организовать в ви­де двух основных подбаз - базы правил (БП) и базы данных (БД).

В БД хранится фактографическая информация о решаемых на объекте задачах и данные, которые относятся к указанной предметной области. БП определяет отношения между элементами данных, хранящихся в БД, на основе моделей пред­ставления знаний о предметной области, а также способы активи­зации этих знаний.

Таким образом, очень обобщенно можно говорить о двух уров­нях представления знаний: первый уровень - фактографическая информация, данные; второй уровень - описания, отношения, правила и процедуры, определяющие способ манипулирования фактографической информации.

Помимо знаний о предметной области в БЗ должны храниться и другие типы знаний: модель мира системы, знания о пользова­теле, целях и т. д. Эти знания в основном содержатся на втором уровне представления в виде блоков или органических частей БП.

Во многих интеллектуальных системах, особенно работающихв реальном времени, реализуется уровень метазнаний, кото­рый необходим для обеспечения рационализации процессов оперирования знаниями в БЗ, уменьшения области поиска решения, сокращения время обработки ин­формации. Метазнания - это зна­ния системы о себе, т. е. знания о своих знаниях, их структуре и о принципах своего функционирования. На основе этих знаний на уровне метазнаний (в бло­ке метазнаний) среди имею­щегося набора стратегий поиска определяется наибо­лее эффективная.

Рис.5.2.1.ОбобщеннаяструктураБЗ

При варианте структуры БЗ, представленном на Рис.5.2.1. , функ­ции интерпретатора правил, рациональным образом реализующе­го механизм вывода решений, по существу выполняет верхний уровень БЗ - метазнания (или блок метазнаний).

Необходимо подчеркнуть, что существуют различные вариан­ты как организации самой БЗ, так и взаимодействия БЗ с дру­гими компонентами ИС.

На Рис.5.2.2. приведен фрагмент системы ИИ, отражающий вза­имодействие БЗ с основными модулями системы при поиске и ге­нерации знаний. В БЗ представлена как фактографическая информация, так и правила, или эвристики.

Рис.5.2.2. Структура взаимодействия БЗ с основными компонентами ИИС для продукционных систем

Вывод решения либо ге­нерация новых правил и знаний осуществляется с помощью блока вывода, который взаимодействует с метауровнем БЗ при интерпретации правил и данных БЗ.

Решение задачи и работа с правилами и данными осуществля­ются в специальном блоке - рабочей области. В рабочей области представляются описания запроса - или решаемой задачи, данные и правила из БЗ, процедуры или стратегия механизма вывода.

При использовании наиболее распространенных в настоящее время продукционных систем представления знаний возможен ва­риант структурной и функциональной организации основных ком­понентов системы, представленный на Рис.5.2.3.

Рис.5.2.3. Структура взаимодействия БЗ с основными компонентами ИС для продукционных систем.

§3 . Модели представления знаний в ИИС

Важным вопросом при создании БЗ является выбор способа представления знаний. Цель представления знаний - организация необходимой информации в такую форму, чтобы программа искусственного интеллекта име­ла легкий доступ к ней для принятия решений, планирования, узнавания объектов и ситуаций, анализа сцен, вывода заключений и других когнитивных функций.

Представление знаний в интеллектуальных системах осуществляется на основе:

1. Фреймов и семантических сетей

2. Продукционных и логических моделей

3. Моделей представления и формализации нечетких знаний

4. Нейронных сетей.

Знания в ИИС можно представить с помощью моделей двух типов: декларативных и процедурных. К типовым декларативным моделям относят семантические сети и фреймы, а типовым процедурным моделям – исчисления предикатов, системы продукций, нечёткая логика. На практике редко удаётся обойтись рамками одной модели при разработке ИИС, поэтому представление знаний получается сложным.

Семантическая сеть представляет собой ориентированный граф, вершинами которого являются информационные единицы, имеющие индивидуальные имена. В качестве информационной единицы могут выступать события, действия, обобщённые понятия или свойства объектов. Вершины графа соединяются дугой, если соответствующие информационные единицы находятся в каком-либо отношении.

Фрейм представляет собой структуру данных, дающую целостное представление об объектах, явлениях и их типах в виде абстрактных образов. Структура фрейма записывается в виде списка свойств (слотов). Каждый фрейм имеет

специальный слот, заполненный наименованием представляемой сущности, а другие заполнены значениями разнообразных атрибутов, ассоциирующихся с объектом.

Логика предикатов является расширением логики высказываний. Основным объектом здесь является переменное высказывание (предикат), истинность и ложность которого зависят от значения его переменных. Язык логики предикатов является более мощным по сравнению с языком логики высказываний. Он пригоден для формализации понятий многих проблемных областей.

Продукционная модель , или модель, основанная на правилах, позволяет представить знания в виде предложений типа ЕСЛИ (условие ), ТО (действие ).

Количественные данные (знания) могут быть неточными. Для учёта неточности лингвистических знаний используется формальный аппарат нечёткой алгебры . Одно из главных понятий в нечёткой логике – это понятие лингвистической переменной, которое определяется через нечёткие множества. Нечёткие множества позволяют учитывать субъективные мнения отдельных экспертов.

Нейронные сети – это направление компьютерной индустрии, в основе которого лежит идея создания ИИ по образу и подобию человеческого мозга. Существует большое количество различных алгоритмов обучения нейросетей, среди которых успешным признаётся идея генетических алгоритмов , которая состоит в имитации природных оптимизационных процессов, происходящих при эволюции живых организмов.

§4 . Обработка знаний и вывод решений в ИИС

Основными методами обработки знаний и вывода решений в ИИС являются:

I . Методы вывода и поиска решений в продукционных системах

1. Методы вывода на основе прямой и обратной цепочек

2. Общие методы поиска решений в пространстве состояний

Методы перебора

Поиск в глубину

Поиск в ширину

Поиск на основе стоимости дуг (Нахождение пути минимальной стоимости)

-Поиск с возвратом (бэктрекинг)

3. Эвристические методы поиска (для определения направления поиска используется оценочная функция )

4. Методы редукции

5. Методы поиска решений в больших пространствах состояний

Методы порождения и проверки

Методы последовательного уточнения сверху

Др.

II . Выводы на фреймах и в семантических сетях

III . Дедуктивные методы поиска решений

IV . Поиск решений в условиях неопределенности

1. Вероятностный вывод

2. Вывод на основе теории уверенности

3. Нечеткая логика и приближенные рассуждения

V . Вывод в нейронных сетях

§5. Интеллектуальный интерфейс

Термин «пользовательский интерфейс» охватывает все аспекты взаимодействия между пользователем и ИИС. Он включает не только техническое и программное обеспечение, но также факторы, которые связаны с обеспечением использования, доступности и человеко-машинного взаимодействия. Развитие способностей и возможностей комфортного и качественного взаимодействия пользователя с системой, которая организует, предоставляет этот компонент, позволяет говорить об интеллектуальном интерфейсе. Подсистема интеллектуального интерфейса управляется программным обеспечением, называемым управляющая система интеллектуального интерфейса.

Виды интерфейса.

Взаимодействие на основе меню. При этом виде взаимодействия пользователь выбирает позицию или пункт из списка возможных выборов (меню) для того, чтобы функция была выполнена. Меню появляются в логическом порядке, начиная с главного меню и продвигаясь к локальным меню. Пункты меню могут включать команды, которые появляются в отдельных локальных меню или в меню с не командными пунктами. Меню может оказаться утомительным и продолжительным по времени, когда анализируются сложные ситуации, т.к. это может потребовать несколько меню для построения или использования системы и пользовательдолжен перемещаться назад и вперед меню.

Командный язык. При это виде пользователь вводит команды. Многие команды включают комбинации глагол-существительное. Некоторые команды могут исполняться с функциональными ключами. Другим способом упрощения команд является использование макросов. Команды могут также вводиться голосом.

Вопросно – ответный вид интерфейса начинается с вопросов компьютера пользователю. Пользователь отвечает на вопросы фразой или предложением (или выбором пункта меню). Компьютер может подсказывать пользователю для прояснения или дополнительного ввода информации. В некоторых применениях порядок вопросов может быть обратным: пользователь задает вопросы, а компьютер дает ответы.

Формирование взаимодействия. Пользователь вводит данные или команды в обозначенные формы (поля). Заголовки формы (или отчета, или таблицы) служат подсказками для входа. Компьютер может представлять какой-то выход как результат, и пользователь может быть спрошен о продолжении интерактивного процесса.

Естественный язык. Взаимодействие человек – компьютер, которое подобно диалогу человека с человеком называется естественнымязыком. Сегодня диалог на естественном языке выполняется главным образом посредством клавиатуры. Такой диалог будет проводиться в будущем с использованием голоса для ввода и вывода информации. Главнымограничением использования естественного языка является по существу неспособность компьютера понимать естественный язык. Однако, достижения ИИ все больше повышают уровень диалога на естественном языке.

Графический пользовательский интерфейс. В графическом пользовательском интерфейсе объекты обычно представляются как пиктограммы (или символы) и пользователь непосредственно ими манипулирует. Новейшие операционные системы компьютеров и их приложения исключительно основаны на графике.

Глава VI . Классификация ИИС

ИИС могут размещаться на каком-либо сайте, где пользователь задает системе вопросы на естественном языке (если это вопросно-ответная система) или, отвечая на вопросы системы, находит необходимую информацию (если это экспертная система). Но, как правило, ЭС в интернете выполняют рекламно-информационные функции (интерактивные баннеры), а серьезные системы (такие, как, например, ЭС диагностики оборудования) используются локально, так как выполняют конкретные специфические задачи.

Интеллектуальные поисковики отличаются от виртуальных собеседников тем, что они достаточно безлики и в ответ на вопрос выдают некоторую выжимку из источников знаний (иногда достаточно большого объема), а собеседники обладают «характером», особой манерой общения (могут использовать сленг, ненормативную лексику), и их ответы должны быть предельно лаконичными (иногда даже просто в форме смайликов, если это соответствует контексту).

ИИС:

• Экспертные системы
• Собственно экспертные системы (ЭС)

• Вопросно-ответные системы (в некоторых источниках «системы общения»)
• Виртуальные собеседники

§1. Экспертные системы

Экспертная система (ЭС, expert system) - компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Э то вычислительная система, в которую включены знания специалистов о некоторой узкой предметной области в форме базы знаний. Такие системы могут использоваться не экспертом для улучшения их способностей и возможностей в решении задач определенного класса в конкретной предметной области. ЭС могут быть использованы для распространения источников редких знаний. Эти системы могут иметь значительное влияние как на деятельность таких профессиональных консультантов, как финансовые аналитики, юристы, аудиторы и др., так и на организации и их менеджмент.

Внутри экспертной системы нет заранее заданного дерева вопросов, каждый следующий вопрос выбирается исходя из ответов на все предыдущие. Это позволяет исключить лишние вопросы и не выдавать варианты ответа, которые не приведут к каким-либо результатам. Отсутствие фиксированного дерева позволяет пользователю задавать приоритет вопросов, выбирая наиболее важные для себя аспекты в процессе поиска. В любой момент можно снова вернуться к вопросу и выбрать другой ответ без необходимости снова отвечать на остальные вопросы.

Экспертные системы имеют одно большое отличие от других ИИС : они не предназначены для решения каких-то универсальных задач, как например нейронные сети или генетические алгоритмы. Экспертные системы предназначены для качественного решения задач в определенной разработчиками области, в редких случаях – областях.

Рис.6.1.1. Экспертная система

Технологию построения ЭС (см. Рис.6.1.2. ) часто называют инженерией знаний.

Рис. 6 .1.2. Процесс построения ЭС.

Характерными чертами ЭС являются:

• четкая ограниченность предметной области;
• способность принимать решения в условиях неопределенности;
• способность объяснять ход и результат решения понятным для пользователя способом;
• четкое разделение декларативных и процедурных знаний (фактов и механизмов вывода);
• способность пополнять базу знаний, возможность наращивания системы;
• результат выдается в виде конкретных рекомендаций для действий в сложившейся ситуации, не уступающих решениям лучших специалистов;
• ориентация на решение неформализованных (способ формализации пока неизвестен) задач;
• алгоритм решения не описывается заранее, а строится самой экспертной системой;
• отсутствие гарантии нахождения оптимального решения с возможностью учиться на ошибках.

Классификации ЭС

· Собственно Экспертные системы

• Интерактивные баннеры (web + ЭС)

Интерактивные говорящие баннеры - это инфы или экспертные системы, предназначенные для размещения на внешних ресурсах.

Преимущества интерактивных баннеров:

• Повышенная привлекательность для потребителей - с необычным баннером хочется пообщаться.
• Продолжительный контакт с пользователем. Среднее время общения с баннером может составлять около 3 минут.
• Баннер может вести разных собеседников на разные страницы, в соответствии с их запросами и потребностями.

Классификация ЭС по связи с реальным временем:

• Статические ЭС - это ЭС, решающие задачи в условиях не изменяющихся во времени исходных данных и знаний.
• Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.
• Динамические ЭС - это ЭС, решающие задачи в условиях изменяющихся во времени исходных данных и знаний.

Структура ЭС:

На Рис.6.1.3. ниже представлена каноническая структура экспертной системы динамического типа:

Рис.6 .1.3. Структура ЭС

• механизм логического вывода, называемый также интерпретатором, решателем;
• рабочую память (РП), называемую также рабочей базой данных (БД);
• базу знаний (БЗ);
• подсистему приобретения и пополнения знаний;
• подсистему объяснения;
• подсистему диалога;
• подсистему взаимодействия с внешним миром.

Механизм логического вывода (МЛВ) предназначен для получения новых фактов на основе сопоставления исходных данных из рабочей памяти и знаний из базы знаний. Механизм логического вывода реализует алгоритмы прямого и/или обратного вывода и формально может быть представлен четверкой:

Механизм вывода является мозгом ЭС, его также называют управляющая структура или интерпретатор правил (в ЭС, основанных на правилах).

Эта компонента является в основном компьютерной программой, которая обеспечивает методологию для рассуждения об информации в БЗ и в рабочей области, а также для формулирования заключений. Она обеспечивает указания о том, как использовать знания системы при реализации аренды (расписания запланированных действий в рабочей области), которая организует и управляет шагами, предпринимаемыми для решения задачи.

Механизм вывода имеет два главных элемента:

Интерпретатор, который выполняет выбранные позиции аренды, используя соответствующие правила БЗ.

Планировщик, который поддерживает управление агендой. Он оценивает результаты используемых правил вывода всвете их приоритетов или других критериев в агенде.

Рабочая память предназначена для хранения исходных и промежуточных фактов решаемой в текущий момент задачи. Как правило, размещается в оперативной памяти ЭВМ и отражает текущее состояние предметной области в виде фактов с коэффициентами уверенности (КУ) в истинности этих фактов.

Ценность всей экспертной системы как законченного продукта на 90% определяется качеством созданной базы знаний .Как правило, БЗ ЭС содержит факты (статические сведения о предметной области) и правила - набор инструкций, применяя которые к известным фактам можно получать новые факты. В рамках логической модели баз данных и базы знаний записываются на языке Пролог- язык и система логического программирования) с помощью языка предикатов для описания фактов и правил логического вывода, выражающих правила определения понятий, для описания обобщенных и конкретных сведений, а также конкретных и обобщенных запросов к базам данных и базам знаний.

Подсистема приобретения и пополнения знаний автоматизирует процесс наполнения экспертной системы знаниями, осуществляемый пользователем-экспертом, и адаптации базы знаний системы к условиям ее функционирования. Адаптация экспертной системы к изменениям в предметной области реализуется путем замены правил или фактов в базе знаний.

Подсистема объяснения объясняет, как система получила решение задачи (или почему она не получила решения) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату. Возможность объяснять свои действия является одним из самых важных свойств экспертной системы, так как:

• повышается доверие пользователей к полученным результатам;
• облегчается отладка системы;
• создаются условия для пользователей по вскрытию новых закономерностей предметной области;
• объяснение полученных выводов может служить средством поиска точки в парето-оптимальном множестве решений.

В настоящее время на практике все СО реа­лизуются на одних и тех же принципах в основном двумя спосо­бами:

Фиксацией событий и состояний с помощью заготовленных текстов на естественном языке;

Трассировкой рассуждений, обратным развертыванием дерева целей с указанием подцелей.

При реализации каждого из этих способов предварительно выделяются ситуации, факты и узлы перехода в новые состояния, требующие объяснений. Им ставится в соответствие некоторый текст объяснения.

Структура экспертной системы была бы неполной без подсистемы диалога . Подсистема диалога ориентирована на организацию дружественного интерфейса со всеми категориями пользователей как в ходе решения задач, так и в ходе приобретения знаний и объяснения результатов работы.

Факты и правила в экспертной системе не всегда либо истинны, либо ложные. Иногда существует некоторая степень неуверенности в достоверности факта или точности правила. Если это сомнение выражено явно, то оно называется «коэффициентом доверия».

Коэффициент доверия – это число, которое означает вероятность или степень уверенности, с которой можно считать данный факт или правило достоверным или справедливым. Данный коэффициент является оценкой степени доверия к решению, выдаваемому экспертной системой. Такая оценка, например, может проводиться по схеме Шортлиффа.

Режимы функционирования ЭС:

1. Режим ввода знаний - в этом режиме эксперт с помощью инженера по знаниям посредством редактора базы знаний вводит известные ему сведения о предметной области в базу знаний ЭС.
2. Режим консультации - пользователь ведет диалог с ЭС, сообщая ей сведения о текущей задаче и получая рекомендации ЭС. Например, на основе сведений о физическом состоянии больного ЭС ставит диагноз в виде перечня заболеваний, наиболее вероятных при данных симптомах.

Табл.6 .1.1.

Основные классы решения задач, решаемые ЭС

Класс	На решение какой задачи направлена
Интерпретация	Выявление описаний ситуации из наблюдений
Предсказание	Выявление похожих последствий в данной ситуации.
Диагностика	Выявление неисправности системы через наблюдения.
Проектирование	Конфигурирование и разработка объектов, удовлетворяющих определенным требованиям.
Планирование	Разработка планов для достижения целей.
Мониторинг	Сравнение наблюдений с планами, сигнализируя об отклонениях и исключениях.
Отладка	Выявление и устранение неисправностей.
Управление	Интерпретирование, предсказывание восстановление и мониторинг поведения системы.

Некоторые ЭС принадлежат к двум или более из этих категорий. Дадим краткое описание каждой их этих категорий.

Системы интерпретации выявляют описания ситуации из наблюдений. Это категория включает наблюдения, понимание речи, анализ образов, интерпретацию сигналов и многие другие виды интеллектуального анализа. Система интерпретации объясняют наблюдаемые данные путем присвоения им символических значений, описывающих ситуацию.

Системы предсказания включают прогнозирование погоды, демографические предсказания, экономическое прогнозирование, оценки урожайности, а также военное, маркетинговое и финансовое прогнозирование.

Системы диагностики включают диагностику в медицине, электронике, механике и программном обеспечении. Диагностирующие системы обычно соотносят наблюдаемые поведенческие отклонения с причинами, лежащими в основе.

Системы проектирования разрабатывают конфигурации объектов, которые удовлетворяют определенным требованиям задачи проектирования. Такие задачи включают конструирование зданий, планировка расположения оборудования и др. Эти системы конструируют различные взаимосвязи описаний объектов друг с другом и проверяют, удовлетворяют ли эти конфигурации установленным ограничениям и требованиям.

Системы планирования специализируются на задачах планирования, например, такой как автоматическое программирование. Они также работают с кратко и долгосрочным планированием в управлении проектами, маршрутизация, коммуникация,разработка продукт а, военные приложения, производственное и финансовое планирование.

Системы мониторинга сравнивают наблюдения поведения системы со стандартами, которые представляются определяющими для достижения цели.Эти решающие выявления соответствуют потенциальным недостаткам на предприятии. Существует много компьютерных систем мониторинга: от контроля движения воздушных потоков до задач управления сбором налогов.

Системы управления и контроля адаптивно управляют всеобщим поведением системы. Для осуществления этого система управления должна периодически интерпретировать текущую ситуацию, предсказывать будущее, диагностировать причины ожидаемых проблем, формулировать план устранения этих проблем и осуществлять мониторинг его выполнения для обеспечения успеха.

Наиболее известные/распространённые ЭС :

• CLIPS - популярная ЭС (public domain)
• OpenCyc - мощная динамическая ЭС с глобальной онтологической моделью и поддержкой независимых контекстов
• MYCIN - наиболее известная диагностическая система, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях.
• HASP/SIAP - интерпретирующая система, которая определяет местоположение и типы судов в Тихом океане по данным акустических систем слежения.

Первую ЭС под названием Dendral разработали в Стэнфорде в конце 1960-х гг. Она определяла строение органических молекул по химическим формулам и спектрографическим данным о химических связях в молекулах. Ценность Dendral заключалась в следующем: органические молекулы, как правило, очень велики и поэтому число возможных структур этих молекул также велико; благодаря эвристическим знаниям экспертов-химиков, заложенных в ЭС, правильное решение из миллиона возможных находилось всего за несколько попыток. Принципы и идеи, заложенные в Dendral оказались настолько эффективными, что они до сих пор применяются в химических и фармацевтических лабораториях по всему миру. ЭС Dendral одной из первых использовала эвристические знания специалистов для достижения уровня эксперта в решении задач, однако методика современных экспертных систем связана с другой разработкой – Myсin. В ней использовались знания экспертов медицины для диагностики и лечения специального менингита и бактериальных инфекций крови. ЭС Mycin, также разработаннаяв Стэнфорде в середине 1970-х гг., одной из первых обратилась к проблеме принятия решений на основе ненадежной или недостаточной информации. Все рассуждения экспертной системы Mycin были основаны на принципах управляющей логики, соответствующих специфике предметной области. Многие методики разработки экспертных систем, использующиеся сегодня, были впервые разработаны в рамках проекта Mycin. MYCIN была ранней экспертной системой разработанной за 5 или 6 лет в начале 1970х годов в Стендфордском университете. Она была написана на Лиспе как докторская диссертация Edward Shortliffe под руководством Bruce Buchanan, Stanley N. Cohen и других. В этой же лаборатории была ранее создана экспертная система Dendral, но на этот раз внимание было акцентировано на использовании решающих правил с элементами неопределенности. MYCIN был спроектирован для диагностирования бактерий, вызывающих тяжелые инфекции, такие как бактериемия и менингит, а также для рекомендации необходимого количества антибиотиков в зависимости от массы тела пациента. Название системы происходит от суффикса «-мицин», часто встречающегося в названиях антибиотиков. Также Mycin использовалась для диагностики заболеваний свертываемости крови.

Преимущества ЭС:

1. Постоянство

Человеческая компетенция ослабевает со временем. Перерыв в деятельности человека-эксперта может серьёзно отразиться на его профессиональных качествах.

2. Лёгкость передачи

Передача знаний от одного человека другому – долгий и дорогой процесс. Передача искусственной информации – это простой процесс копирования программы или файла данных.

3. Устойчивость и воспроизводимость результатов

Экспертные системы устойчивы к «помехам». Человек же легко поддается влиянию внешних факторов, которые непосредственно не связаны с решаемой задачей. Эксперт-человек может принимать в тождественных ситуациях разные решения из-за эмоциональных факторов. Результаты экспертной системы – стабильны.

4. Стоимость

Эксперты, особенно высококвалифицированные обходятся очень дорого. Экспертные системы, наоборот, сравнительно недороги. Их разработка дорога, но они дёшевы в эксплуатации.

Кроме того, эксперт–человек может принимать различные решения в тождественных ситуациях из-за эмоциональных факторов (влияние дефицита времени, влияние стресса).

Табл.6.1.2.

Сравнение человеческой и искусственной компетентности

Человеческая компетентность	Искусственная компетентность
Непрочная Трудно представляемая Трудно документируемая Непредсказуемая Дорогая	Постоянная Легко передаваемая Легко документируемая Устойчивая Приемлемая по затратам

Недостатки ЭС:

На сегодняшний день создано уже большое количество экспертных систем. С помощью них решается широкий круг задач, но исключительно в узкоспециализированных предметных областях. Как правило, эти области хорошо изучены и располагают более менее четкими стратегиями принятия решений. Сейчас развитие экспертных систем несколько приостановилось, и этому есть ряд причин:

• Передача экспертным системам «глубоких» знаний о предметной области является большой проблемой. Как правило, это является следствием сложности формализации эвристических знаний экспертов.
• Экспертные системы неспособны предоставить осмысленные объяснения своих рассуждений, как это делает человек. Как правило, экспертные системы всего лишь описывают последовательность шагов, предпринятых в процессе поиска решения.
• Отладка и тестирование любой компьютерной программы является достаточно трудоемким делом, но проверять экспертные системы особенно тяжело. Это является серьезной проблемой, поскольку экспертные системы применяются в таких критичных областях, как управление воздушным и железнодорожным движением, системами оружия и в ядерной промышленности.
• Экспертные системы обладают еще одним большим недостатком: они неспособны к самообучению. Для того, чтобы поддерживать экспертные системы в актуальном состоянии необходимо постоянное вмешательство в базу знаний инженеров по знаниям. Экспертные системы, лишенные поддержки со стороны разработчиков, быстро теряют свою востребованность.
• Эксперты могут непосредственно воспринимать комплекс входной сенсорной информации (визуальной, звуковой, осязательной, обонятельной и тактильной). ЭС – только символы. Хотя в отдельных направлениях разработки инженерных и производственных интеллектуальных систем получены реальные результаты определенной обработки сенсорной информации.
• Эксперты – люди могут охватить картину в целом, все аспекты проблемы и понять, как они соотносятся с основной задачей. ЭС стремится сосредоточить на самой задаче, хотя смежные задачи могут повлиять на решение основной.
• Люди, эксперты и не эксперты, имеют то, что мы называем здравым смыслом , или общедоступными знаниями. Это широкий спектр общих знаний о мире, о том, какие законы в нем действуют, т.е. знания, которыми каждый из нас обладает, приобретает из опыта и которыми постоянно пользуется. Из-за огромного объема знаний, образующих здравый смысл, не существует легкого способа встроить их в интеллектуальную программу. Знания здравого смысла включают знания о том, что вы знаете и чего не знаете.

Поэтому ЭС наиболее часто используются как советчики, в качестве консультантов или помощников ЛПР.

§2. Вопросно-ответные системы

Классификация Вопросно-ответных систем :

• Интеллектуальные поисковики (например, система Старт)
• Виртуальные цифровые помощники
• Виртуальные собеседники (ВС)

Виртуальные собеседники устанавливаются на сайт и общаются с его пользователями посредством текстового чата. У каждого инфа есть свой визуальный образ, который способен передавать эмоции инфа и делает общение с собеседником более личным и доверительным.

Структура виртуальных собеседников:

Первый компонент ВС – это пользовательский интерфейс, при помощи которого пользователь разговаривает с ВС. Пользовательский интерфейс представляет собой окошко со строкой ввода текста, репликами инфа и его визуальным образом. По сути, это Flash-приложение, которое легко и быстро устанавливается на любой сайт.

Второй компонент – это комплексная платформа, которая определяет поведение и словарный запас ВС. Помимо прочего, в комплексную платформу входит база знаний инфа - набор гибких сценариев с заданными вариантами вопросов и ответов на них. Дополнительно к базе знаний может быть подключена клиентская база данных с пользовательской информацией, откуда инф будет брать конкретные данные о товарах и услугах. В частности, это широко применяется при разработке инфов-продавцов.

Решаемые задачи:

ВС легко поддаются обучению и помогают решить множество задач, стоящих перед заказчиком. Они могут быть:

• консультантами , отвечающими на вопросы пользователей о представленных товарах и услугах;
• продавцами , помогающими подобрать нужный товар, услугу, тариф и т.п.;
• сотрудниками технической поддержки , помогающими пользователю решить возникшие технические проблемы;
• промоутерами , продвигающими новые товары и услуги;
• интересными собеседниками , вызывающими интерес, повышающими настроение и лояльность посетителей.

Сферы применения:

• Банки и страховые компании , которым важно иметь на сайте грамотного консультанта, способного оперативно рассказать все подробности о предоставляемых услугах;
• Интернет–магазины , которым важно помогать клиентам в выборе товаров, а также продвигать акции и распродажи;
• Интернет–порталы , которым необходимо привлекать внимание пользователей к их внутренним проектам;
• Организаторы мероприятий , которым важно информировать посетителей сайта о всех новостях и подробностях;
• Компании, оказывающие технические услуги , которым важно обеспечить круглосуточную техническую поддержку пользователей.

Преимущества виртуальных собеседников:

• Работоспособность: инф работает 24 часа в сутки 7 дней в неделю и может одновременно общаться с неограниченным количеством пользователей. Инф позволяет снизить нагрузку и расходы на call-центр, консультантов и специалистов технической поддержки.
• Доступность: инф снимает психологический барьер, стоящий перед пользователем при обращении за помощью; достаточно ввести фразу – и инф моментально даст грамотный совет. При этом пользователи относятся к инфу с доверием, поскольку он умеет поддерживать живой, непринужденный диалог и даже выражать эмоции в ответ на реплики пользователя.
• Простота работы: инф не требует от пользователя использования никаких дополнительных программ. В то же время инф не создает проблем и у заказчика: для установки инфа на сайт достаточно разместить на страницах специальный короткий код.
• Компетентность: инф легко поддается обучению, что позволяет заложить в него все важные вопросы, которые интересуют пользователей. Инф способен помогать пользователю в навигации по сайту, автоматически открывая необходимые страницы. При необходимости инф может сам инициировать диалоги на нужные темы.
• Внимательность: Инф записывает все разговоры с пользователями, и заказчик имеет к ним полный доступ. Записи разговоров полезны как с точки зрения дальнейшего обучения инфа, так и с точки зрения сбора ценной информации о пользователях и их интересах.

Использование ВС позволяет:

• Увеличить конверсию посетителей в клиентов: инф снимает мотивационный барьер между пользователем и сайтом, поскольку сразу вызывает доверие у пользователя и дает ему именно ту информацию, которая его интересует.
• Повысить лояльность посетителей: яркий, позитивный инф поддерживает живое общение с пользователем и вызывает у него самые положительные эмоции. Что важно, в сознании пользователя эти эмоции будут напрямую связаны с образом компании - заказчика инфа.
• Улучшить эффект от рекламной кампании и маркетинговых акций: инф привлекает к себе внимание пользователей и предоставляет им самую полную информацию о рекламируемом предмете.
• Снизить нагрузку на штатных консультантов, продавцов и сотрудников техподдержки: отвечая на часто возникающие и легко решаемые вопросы, инф экономит время и силы штатных специалистов, позволяя им сконцентрироваться на действительно важных проблемах.
• Повысить уровень обслуживания клиентов: инф позволяет выяснить, что интересует конкретного клиента, и предоставить ему то, что нужно!

Глава VII . Перспективы развития ИИС в управлении знаниями

Рассматривая тенденции развития Интеллектуальных информационных систем в управлении знаниями, следует отметить следующие основные направления, связанные с разработкой моделей и методов реализации отдельных аспектов получения и преобразования знаний:

1. Технологии извлечения и представления знаний . В первом случае основной задачей является разработка методов: формального описания "признаков знаний" (поисковых образов); формализации ПрО; распознавания и сравнения образов; извлечения знаний из экспертов, статистики, текстов, "опыта" и т.п. Во втором - решаются задачи, связанные с формализацией знаний для их представления в памяти интеллектуальных систем (ИС). Решение этих задач позволяет разработчикам комплексных технологий получить ответы на три принципиально важных вопроса: какие знания необходимо представлять в ИС, кто (что) является источником этих знаний, какие методы и модели обеспечивают адекватное представление этих знаний в ИС.

2. Технологии манипулирования знаниями, решение интеллектуальных задач предполагает не только представление знаний в ИС, но и их обработку, т.е. необходимо научить ИС оперировать ими. Поэтому здесь изучаются вопросы пополнения знаний на основе их неполных описаний, классификации знаний в ИС, разрабатываются процедуры и методы обобщения знаний, достоверного вывода и др.

3. Технология общения . Переход к ИС знаменует новую технологию общения конечных пользователей с ЭВМ и требует решения таких проблем, как понимание связных текстов на ограниченном и неограниченном естественном языке, понимание речи и ее синтез, разработка коммуникативных моделей "пользователь-ЭВМ", формирование объяснений и т.п. Главная цель данных исследований - обеспечение комфортных условий для общения человека и ИС.

4. Технологии восприятия . Разработка этих технологий предполагает создание методов: анализа трехмерных сцен, представления информации о зрительных образах в базе знаний ИС, трансформации зрительных сцен в текстовые описания и обратно, а также разработку процедур когнитивной графики и др.

5. Технологии обучения. Отличительной особенностью ИС должна стать их способность решать задачи, в явном виде не представленные в БЗ, что требует наделения ИС способностью к обучению. Для этих целей необходимо: создать методы формирования условий задачи по описанию проблемной ситуации или по наблюдению за этой ситуацией, обеспечить переход от известного решения частных задач к решению общей задачи, наделить ИС способностью декомпозировать исходную задачу на более мелкие, решение которых известно, разработать нормативные и декларативные модели самого процесса обучения, создать теорию подражательного поведения и др.

6. Технологии поведения . Взаимодействие ИС со средой требует разработки специальных поведенческих процедур, которые бы позволили им адекватно реагировать на те или иные изменения в среде. Такое взаимодействие предполагает создание моделей целесообразного, нормативного и ситуативного поведения, а также разработку методов многоуровневого планирования и коррекции планов в динамических ситуациях.

Заключение

Области применения существующих на сегодняшний день систем ИИ охватывает множество сфер: медицинскую диагностику, интерпретацию геологических данных,научные исследования в химии и биологии, военное дело, производство, финансы и другие области. Однако, несмотря на значительные успехи в области ИИ, пока еще существует определенный разрыв между техническими разработками, программными средствами ИИ и возможностями их более широко практического применения в частности, в экономике.

Наиболее показательным сектором, аккумулирующим различные проблемные направления экономической области, является управление промышленным предприятием. На его примере особенно хорошо видны преимущества использования систем ИИ для решения как различных предметных задач, так и для управления интегрированной системой предприятия в целом.

Существует множество доводов в пользу того, что системы искусственного интеллекта могут и должны стать важнейшей составной частью в технологии современных производств. Основными из них являются:

- преодолениесложности (сложности управлениявозникают тогда, когда

приходится делать выбор из множества возможных решений);

Управление предприятием требует организации больших объемов информа­ ции;

Как уменьшить информациюдо того уровня, который необходим для приня тия решения (потеря информации, поступающей от объектов, работающих в реальном
режиме времени, может существенно сказаться на результате);

Нехватка времени на принятие решения (проявляется по мере усложнения
производства);

Проблема координации (решения необходимо координировать с другими
звеньями процесса или объекта);

- необходимостьсохранения и распространения знаний очень опытных экс пертов, полученных ими в процессе многолетней работы и большого практического
опыта.

Проблема извлечения знаний и их сохранения и распределе­ния - сегодня одна из главных проблем ор­ганизаций.

Таким образом, интеллектуализация информационных систем управления и трансформация их в интеллектуальные информационные системы управления знаниями, поддержки принятия решений является наиболее значимым и важным для экономики и бизнеса направлением .

Список источников информации

1. Chi Leung Patrick Hui, ISBN 978-953-307-188-6, 586 pages, April 2011

2. Edited by Karl Perusich, Cognitive Maps, ISBN 978-953-307-044-5, 140 pages, January 2010

3. John Prager, Eric Brown, Anni Coden, and Dragomir Radev. Question-answering by predictive annotation. In Proceedings, 23rd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, Athens, Greece, July 2000

4. Knox Haggie, John Kingston, Choosing Your Knowledge Management Strategy, School of Informatics, University of Edinburgh, Journal of Knowledge Management Practice, June 2003

5. Negnevitsky M. Artificial Intelligence. A guide to intelligent systems. Addison-Wesley, 2005.

6. Peter Jackson, Introduction to Expert Systems. - 3 rd edition, Hardbound - Addison Wesley Publishing Company, 1998-12-31 - 560p. - ISBN 0201876868

7. Абдикеев Н.М. Проектирование интеллектуальных систем в экономике: Учебник. – М.: Экзамен, 2004. – 528 с.

8. Абдикеев Н.М. Интеллектуальные информационные системы: Учебное пособие.- М.: КОС-ИНФ, Рос. экон. акад., 2003. – 188 с.

9. Абдикеев Н.М., Киселев А.Д. Управление знаниями корпорации и реинжиниринг бизнеса (Под ред. Абдикеева Н.М.). Инфра-М, Москва, 2010

10. А.В. Гаврилов. Гибридные интеллектуальные системы: Монография – Новосибирск: Изд-во НГТУ, 2002. – 142 с.

11. В.В. Бухтояров "Эволюционный метод формирования общего решения в коллективах нейронных сетей", Журнал «Искусственный интеллект и принятие решений» под гл. редакцией академика С.В. Емельянова, номер 2010 / 03

12. Г.В. Рыбина, А.О. Дейнеко "Распределенное приобретение знаний для автоматизированного построения интегрированных экспертных систем", Журнал «Искусственный интеллект и принятие решений» под гл. редакцией академика С.В. Емельянова, номер 2010 / 04

13. Г.В. Рыбина "Обучающие интегрированные экспертные системы: некоторые итоги и перспективы", Журнал «Искусственный интеллект и принятие решений» под гл. редакцией академика С.В. Емельянова, номер 2008 / 01

14. Г.С. Осипов "Динамические интеллектуальные системы", Журнал «Искусственный интеллект и принятие решений» под гл. редакцией академика С.В. Емельянова, номер 2008 / 01

15. Золотов С.И. Интеллектуальные информационные системы: учебное пособие / С.И. Золотов – Воронеж: Научная книга, 2007. –140с.

16. Интеллектуальные информационные системы: учебник для студентов высших учебных заведений, обучающихся по специальности "Прикладная информатика в экономике" / А. В. Андрейчиков, О. Н. Андрейчикова. - М. : Финансы и статистика, 2004. - 423 с.

17. Интеллектуальные методы для создания информационных систем: учебное пособие / Е.Ю. Головина.– М.: Издательский домМЭИ, 2011. – 102с. - ISBN 978-5-383-00212-4

18. П.Р. Варшавский, А.П. Еремеев "Моделирование рассуждений на основе прецедентов в интеллектуальных системах поддержки принятия решений", Журнал «Искусственный интеллект и принятие решений» под гл. редакцией академика С.В. Емельянова, номер2009 / 02

19. Романов В.П. Интеллектуальные информационные системы в экономике Учебное пособие / Под ред. д. э. н., проф. Н. П. Тихомирова. - М.: Издательство «Экзамен», 2003. - 496 с.

20. Рыбина Г.В. "Теория и практика построения интегрированных экспертных систем", Рецензенты: зав.каф. прикладной математики МЭИ, д.т.н., проф. Еремеев А.П., зав.каф. МГУПИ, д.т.н., проф. Петров О.М., М.: ООО Издательство "Научтехлитиздат", 2008. -485 с. - ISBN 978-5-93728-081-7

21. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ: Пер. с англ. В. А. Кондратенко, С. В. Трубицына. - М.: Финансы и статистика, 1990. - 320 с.

В соответствии с перечисленными выше признаками ИИС делятся на (данная классификация – одна из возможных) (рис. 1):

системы с коммутативными способностями (с интеллектуальным интерфейсом);

экспертные системы (системы для решения сложных задач);

самообучающиеся системы (системы, способные к самообучению);

адаптивные системы (адаптивные информационные системы).

Рис. 1. Классификация интеллектуальных информационных систем по типам систем

Интеллектуальные базы данных отличаются от обычных баз данных возможностью выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющейся в базе данных.

Естественно-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Для этого необходимо решать задачи морфологического, синтаксического и семантического анализа и синтеза высказываний на естественном языке. Так, морфологический анализ предполагает распознавание и проверку правильности написания слов по словарям, синтаксический контроль – разложение входных сообщений на отдельные компоненты (определение структуры) с проверкой соответствия грамматическим правилам внутреннего представления знаний и выявления недостающих частей и, наконец, семантический анализ – установление смысловой правильности синтаксических конструкций. Синтез высказываний решает обратную задачу преобразования внутреннего представления информации в естественно-языковое.

Естественно-языковой интерфейс используется для:

доступа к интеллектуальным базам данных;

контекстного поиска документальной текстовой информации;

машинного перевода с иностранных языков.

Гипертекстовые системы предназначены для реализации поиска по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются возможностью более сложной семантической организации ключевых слов, которая отражает различные смысловые отношения терминов. Таким образом, механизм поиска работает прежде всего с базой знаний ключевых слов, а уже затем непосредственно с текстом. В более широком плане сказанное распространяется и на поиск мультимедийной информации, включающей, помимо текстовой, и цифровую информацию.

Системы контекстной помощи можно рассматривать как частный случай интеллектуальных гипертекстовых и естественно-языковых систем. В отличие от обычных систем помощи, навязывающих пользователю схему поиска требуемой информации, в системах контекстной помощи пользователь описывает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекомендаций. Такие системы относятся к классу систем распространения знаний (Knowledge Publishing) и создаются как приложение к системам документации (например, технической документации по эксплуатации товаров).

Системы когнитивной графики позволяют осуществлять интерфейс пользователя с ИИС с помощью графических образов, которые генерируются в соответствии с происходящими событиями. Такие системы используются в мониторинге и управлении оперативными процессами. Графические образы в наглядном и интегрированном виде описывают множество параметров изучаемой ситуации. Например, состояние сложного управляемого объекта отображается в виде человеческого лица, на котором каждая черта отвечает за какой-либо параметр, а общее выражение лица дает интегрированную характеристику ситуации. Системы когнитивной графики широко используются также в обучающих и тренажерных системах на основе использования принципов виртуальной реальности, когда графические образы моделируют ситуации, в которых обучаемому необходимо принимать решения и выполнять определенные действия.

Экспертные системы предназначены для решения задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области.

Многоагентные системы. Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой получаемыми результатами на динамической основе.

Для многоагентных систем характерны следующие особенности:

проведение альтернативных рассуждений на основе использования различных источников знаний с механизмом устранения противоречий;

распределенное решение проблем, которые разбиваются на параллельно решаемые подпроблемы, соответствующие самостоятельным источникам знаний;

применение множества стратегий работы механизма вывода заключений в зависимости от типа решаемой проблемы;

обработка больших массивов данных, содержащихся в базе данных;

использование различных математических моделей и внешних процедур, хранимых в базе моделей;

способность прерывания решения задач в связи с необходимостью получения дополнительных данных и знаний от пользователей, моделей, параллельно решаемых подпроблем.

В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики.

Характерными признаками самообучающихся систем являются:

самообучающиеся системы «с учителем», когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака);

самообучающиеся системы «без учителя», когда по степени близости значений признаков классификации система сама выделяет классы ситуаций.

Индуктивные системы используют обобщение примеров по принципу от частного к общему. Процесс классификации примеров осуществляется следующим образом:

Выбирается признак классификации из множества заданных (либо последовательно, либо по какому-либо правилу, например в соответствии с максимальным числом получаемых подмножеств примеров).

По значению выбранного признака множество примеров разбивается на подмножества.

Выполняется проверка, принадлежит ли каждое образовавшееся подмножество примеров одному подклассу.

Если какое-то подмножество примеров принадлежит одному подклассу, то есть у всех примеров подмножества совпадает значение классообразующего признака, то процесс классификации заканчивается (при этом остальные признаки классификации не рассматриваются).

Для подмножеств примеров с несовпадающим значением классообразующего признака процесс классификации продолжается, начиная с пункта 1 (каждое подмножество примеров становится классифицируемым множеством).

Нейронные сети представляют собой устройства параллельных вычислений, состоящие из множества взаимодействующих простых процессоров. Каждый процессор такой сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам.

В экспертных системах, основанных на прецедентах (аналогиях), база знаний содержит описания не обобщенных ситуаций, а собственно сами ситуации или прецеденты.

Поиск решения проблемы в экспертных системах, основанных на прецедентах, сводится к поиску по аналогии (то есть абдуктивный вывод от частного к частному).

В отличие от интеллектуальной базы данных, информационное хранилище представляет собой хранилище извлеченной значимой информации из оперативной базы данных, которое предназначено для оперативного ситуационного анализа данных (реализации OLAP-технологии).

Типичными задачами оперативного ситуационного анализа являются:

определение профиля потребителей конкретных объектов хранения;

предсказание изменений объектов хранения во времени;

анализ зависимостей признаков ситуаций (корреляционный анализ).

Адаптивная информационная система – это информационная система, которая изменяет свою структуру в соответствии с изменением модели проблемной области.

При этом:

адаптивная информационная система должна в каждый момент времени адекватно поддерживать организацию бизнес-процессов;

адаптивная информационная система должна проводить адаптацию всякий раз, как возникает потребность в реорганизации бизнес-процессов;

реконструкция информационной системы должна проводиться быстро и с минимальными затратами.

Ядром адаптивной информационной системы является постоянно развиваемая модель проблемной области (предприятия), поддерживаемая в специальной базе знаний – репозитории. На основе ядра осуществляется генерация или конфигурация программного обеспечения. Таким образом, проектирование и адаптация ИС сводится, прежде всего, к построению модели проблемной области и ее своевременной корректировке.

Так как нет общепринятого определения, четкую единую классификацию интеллектуальных информационных систем дать затруднительно. Например, если рассматривать интеллектуальные информационные системы с точки зрения решаемой задачи , то можно выделить системы управления и справочные системы, системы компьютерной лингвистики, системы распознавания, игровые системы и системы создания интеллектуальных информационных систем (рис. 2).

При этом системы могут решать не одну, а несколько задач или в процессе решения одной задачи решать и ряд других. Например, при обучении иностранному языку система может решать задачи распознавания речи обучаемого, тестировать, отвечать на вопросы, переводить тексты с одного языка на другой и поддерживать естественно-языковой интерфейс работы.

Рисунок 2 – Классификация интеллектуальных информационных систем по решаемым задачам

Если классифицировать интеллектуальные информационные системы по критерию «используемые методы» , то они делятся на жесткие, мягкие и гибридные (рис. 3).

Мягкие вычисления – это сложная компьютерная методология, основанная на нечеткой логике, генетических вычислениях, нейровычислениях и вероятностных вычислениях.Жесткие вычисления – традиционные компьютерные вычисления (не мягкие).Гибридные системы – системы, использующие более чем одну компьютерную технологию (в случае интеллектуальных систем – технологии искусственного интеллекта).

Рис. 3. Классификация интеллектуальных информационных систем по методам

Возможны и другие классификации, например, выделяют системы общего назначения и специализированные системы (рис. 4).

Рис. 4. Классификация интеллектуальных систем по назначению

Кроме того, эта схема отражает еще один вариант классификации по методам: системы, использующие методы представления знаний, самоорганизующиеся системы и системы, созданные с помощью эвристического программирования. Также в этой классификации системы генерации музыки отнесены к системам общения.

К интеллектуальным системам общего назначения относятся системы, которые не только исполняют заданные процедуры, но на основе метапроцедур поиска генерируют и исполняют процедуры решения новых конкретных задач.

Специализированные интеллектуальные системы выполняют решение фиксированного набора задач, предопределенного при проектировании системы.

Отсутствие четкой классификации также объясняется многообразием интеллектуальных задач и интеллектуальных методов, кроме того, искусственный интеллект – активно развивающаяся наука, в которой новые прикладные области осваиваются ежедневно.