Интеллектуальные информационные системы проблемы внедрения. §3

Экспертная система (ЭС) – это ИИС, предназначенная для решения слабоформализуемых задач на основе накапливаемого в базе знаний опыта работы экспертов в проблемной области. Она включает базу знаний с набором правил и механизмом вывода и позволяет на основании предоставляемых пользователем фактов распознать ситуацию, поставить диагноз, сформулировать решение или дать рекомендацию для выбора действия.

Экспертные системы предназначены для воссоздания опыта, знаний профессионалов высокого уровня и использования этих знаний в процессе управления. Они разрабатываются с использованием математического аппарата нечеткой логики для эксплуатации в узких областях применения, поскольку их использование требует больших компьютерных ресурсов для обработки и хранения знаний. В основе построения экспертных систем лежит база знаний, которая основывается на моделях представления знаний. В силу больших финансовых и временных затрат в российских экономических ИС экспертные системы не имеют большого распространения.

Считается, что любая экспертная система – это система, основанная на знаниях, но последняя не всегда является экспертной. В системах, основанных на знаниях, правила (или эвристики), по которым решаются проблемы в конкретной предметной области, хранятся в базе знаний . Проблемы ставятся перед системой в виде совокупности фактов , описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение из этих фактов.

Система функционирует в следующем циклическом режиме : выбор (запрос) данных или результатов анализов, наблюдение, интерпретация результатов, усвоение новой информации, выдвижение с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов. Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.

Более простые системы, основанные на знаниях, функционируют в режиме диалога, или режиме консультации . После запуска система задает пользователю ряд вопросов о решаемой задаче, требующих ответа «да» или «нет». Ответы служат для установления фактов, по которым может быть выведено окончательное заключение.

В любой момент времени в системе содержится три типа знаний :

· структурированные статические знания о предметной области, после того как эти знания выявлены, они уже не изменяются;

· структурированные динамические знания – изменяемые знания о предметной области; они обновляются по мере выявления новой информации;

· рабочие знания, применяемые для решения конкретной задачи или проведения консультации.

Все перечисленные выше знания хранятся в базе знаний . Для ее построения требуется провести опрос специалистов, являющихся экспертами в конкретной предметной области, а затем систематизировать, организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний.

Архитектура экспертной системы . Архитектура ЭС представлена на рис. 7.2. База знаний (БЗ) отражает знания экспертов. Однако далеко не каждый эксперт в состоянии грамотно изложить всю структуру своих знаний.

Выявлением знаний эксперта и представлением их в БЗ занимаются специалисты – инженеры знаний .

ЭС должна обладать механизмом приобретения знаний для ввода знаний в базу и их последующее обновление.

В простейшем случае – это интеллектуальный редактор, который позволяет вводить единицы знаний в базу, а также проводить их анализ на непротиворечивость.

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: прогнозирование, планирование, контроль и управление, обучение .

Технологию построения экспертных систем называют инженерией знаний . Этот процесс требует специфической формы взаимодействия создателя экспертной системы, которого называют инженером знаний, и одного или нескольких экспертов в некоторой предметной области. Инженер знаний «извлекает» из экспертов процедуры, стратегии, эмпирические правила, которые они используют при решении задач, и встраивает эти знания в экспертную систему.

Рис. 7.2. Архитектура ЭС

В результате появляется система, решающая задачи во многом так же, как человек-эксперт.

Ядро экспертной системы составляет база знаний , которая создается и накапливается в процессе ее построения. Знания выражены в явном виде и организованы так, чтобы упростить принятие решений. Накопление и организация знаний – одна из самых важных характеристик экспертной системы.

Наиболее полезной характеристикой экспертной системы является то, что она применяет для решения проблем высококачественный опыт . Этот опыт может представлять уровень мышления наиболее квалифицированных экспертов в данной области, что ведет к решениям творческим, точным и эффективным. Именно высококачественный опыт в сочетании с умением его применять делает систему рентабельной, способной заслужить признание на рынке. Этому также способствует гибкость системы. Система может наращиваться постепенно в соответствии с нуждами бизнеса или заказчика. Это означает, что можно вначале вложить сравнительно скромные средства, а потом наращивать возможности системы по мере необходимости.

Другой полезной чертой экспертных систем является наличие у них прогностических возможностей. Экспертная система может функционировать в качестве модели решения задачи в заданной области, давая ожидаемые ответы в конкретной ситуации и показывая, как изменятся эти ответы в новых ситуациях. Экспертная система может объяснить подробно, каким образом новая ситуация привела к изменениям. Это позволяет пользователю оценить возможное влияние новых фактов или информации и понять, как они связаны с решением. Аналогично пользователь может оценить влияние новых стратегий или процедур на решение, добавляя новые правила или изменяя уже существующие.

Важным свойством экспертных систем является возможность их применения для обучения и тренировки персонала . Экспертные системы могут быть разработаны с расчетом на подобный процесс обучения, так как они уже содержат необходимые знания и способны объяснить процесс своего рассуждения. Остается только добавить программное обеспечение, поддерживающее соответствующий требованиям эргономики интерфейс между обучаемым и экспертной системой. Кроме того, должны быть включены знания о методах обучения и возможном поведении пользователя.

Итак, в настоящее время ЭС является инструментом, усиливающим интеллектуальные способности всей системы в целом, и выполняет следующие задачи:

1) консультация для неопытных (непрофессиональных) пользователей,

2) помощь при анализе различных вариантов принятия решения,

3) помощь по вопросам, относящимся к смежным областям деятельности.

Наиболее широко и продуктивно ЭС применяются в бизнесе, производстве, медицине, менее – в науке.

Интеллектуальные информационные системы

Интеллектуальная информационная система (ИИС) - это один из видов автоматизированных 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 и поиска информации в режиме продвинутого диалога на естественном языке .

Классификация ИИС

• Экспертные системы
  • Собственно экспертные системы (ЭС)
  • Интерактивные баннеры (web + ЭС)
• Вопросно-ответные системы (в некоторых источниках «системы общения»)
  • Интеллектуальные поисковики (например, система Старт)

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:-)).

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 на сегодняшний день не существует универсальной логико-математической системы, которая могла бы удовлетворить потребности любого разработчика ИИС, поэтому приходится либо комбинировать накопленный опыт, либо разрабатывать логику системы самостоятельно. 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.

Обеспечение работы ИИС

• Математическое
• Лингвистическое
• Информационное
• Семантическое
• Программное
• Техническое
• Технологическое
• Кадровое

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.
• 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.

См. также

Ссылки

• Ассоциация искусственного интеллекта в Интернете alicebot.org

Wikimedia Foundation . 2010 .

Смотреть что такое "Интеллектуальные информационные системы" в других словарях:

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

интеллектуальные системы - ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ (от лат. intellectus ум, рассудок) компьютерные системы, которые реализуют некоторые черты человеческого интеллекта, дающие возможность осиливать трудные задачи, решение которых человеком в реальное время… … Энциклопедия эпистемологии и философии науки

- (ИТ, от англ. information technology, IT) широкий класс дисциплин и областей деятельности, относящихся к технологиям управления и обработки данных, в том числе, с применением вычислительной техники. В последнее время под информационными… … Википедия

Институт автоматики и вычислительной техники Московского энергетического института (технического университета) … Википедия

Московский Государственный Университет Приборостроения и Информатики (МГУПИ) Год основания 1936 Ректор … Википедия

Московский Государственный Университет Приборостроения и Информатики (МГУПИ) Год основания 1936 Ректор … Википедия

Московский Государственный Университет Приборостроения и Информатики (МГУПИ) Год основания 1936 Ректор … Википедия

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.

Лекция №1 ИИС

В силу своего предназначения интеллектуальные информационные системы могут применяться практически в любой сфере человеческой деятельности. Примерами областей, где использование данного подхода уже приносит ощутимые результаты, являются :

· Промышленность:

Управление производством: составление и оптимизация производственной цепочки посредством распределения технологических шагов как между внутренними подразделениями, так и между сторонними подрядчиками.

Контроль производственных процессов: сбор и анализ текущей информации, коммуникации с агентами, контролирующими другие подсистемы, принятие и реализация оперативных решений.

Управление воздушным транспортом: моделирование и оптимизация диспетчерской деятельности аэропорта.

· Предпринимательство:

Управление информацией: поиск источников, сбор, фильтрация и анализ данных, интеллектуальная обработка больших объемов информации.

Электронная коммерция открывает широкие возможности для использования интеллектуальных агентов как на стороне продавца, так и на стороне покупателя.

Управление бизнес-процессами: гибкая автоматизация корпоративной организационной деятельности со сложной внутренней логикой и большим количеством участвующих сторон.

· Медицина:

Мониторинг пациентов: непрерывный сбор, учет и анализ большого количества отслеживаемых характеристик состояния пациентов на протяжении продолжительного промежутка времени.

Здравоохранение: возможность обследования и диагностирования пациентов с использованием виртуальных специалистов из различных областей медицины.

· Индустрия развлечений:

Компьютерные игры: возможность достижения качественно новых уровней посредством использования интеллектуальных агентов для различных участвующих сторон.

Интерактивные приложения (телевидение, театр, кинематограф): агенты могут создавать иллюзию реальности происходящего действия, позволяя пользователю принимать в нем участие.

Приме­ры ИИС в экономике:

· Intelligent Hedger: основанный на знаниях подход в задачах страхования от риска. Фирма: Information System Department, New York University. Проблема огромного количества постоянно растущих альтернатив стра­хования от рисков, быстрое принятие решений менеджерами по рискам в ускоряющемся потоке информации, а также недостаток соответствующей машинной поддержки на ранних стадиях процесса разработки систем страхования от рисков предполагает обширную сферу различных опти­мальных решений для менеджеров по риску. В данной системе разработ­ка страхования от риска сформулирована как многоцелевая оптимизаци­онная задача. Данная задача оптимизации включает несколько сложностей, с которыми существующие технические решения не справляются. Краткие характеристики: система использует объектное представление, охватывающее глубокие знания по управлению риском и облегчает эму­ляцию первичных рассуждений, управляющих риском, полезных для вы­водов и их объяснений.

· Система рассуждений в прогнозировании обмена валют. Фирма. Department of Computer Science City Polytechnic University of Hong Kong Представляет новый подход в прогнозировании обмена валют, основан­ный на аккумуляции и рассуждениях с поддержкой признаков, присутст­вующих для фокусирования на наборе гипотез о движении обменных курсов. Представленный в прогнозирующей системе набор признаков - это заданный набор экономических значений и различные наборы изменяющихся во времени параметров, используемых в модели прогнозиро­вания. Краткие характеристики: математическая основа примененного подхода базируется на теории Демпстера-Шейфера.

· Nereid. Система поддержки принятия решений для оптимизации работы с валютными опционами. Фирма: NTT Data, The Tokai Bank, Science University of Tokyo. Система облегчает дилерскую поддержку для оптимального ответа как один из возможных представленных вариантов; более практична и дает лучшие решения, чем обычные системы принятия решений. Краткие харак­теристики: система разработана с использованием фреймовой системы CLP, которая легко интегрирует финансовую область в приложение ИИ. Предложен смешанный тип оптимизации, сочетающий эвристические знания с тех­никой линейного программирования. Система работает на Sun-станциях.

· PMIDSS: Система поддержки принятия решений при управлении портфелем. Разработчики: Финансовая группа Нью-Йоркского универ­ситета. Решаемые задачи: выбор портфеля ценных бумаг; долгосрочное планирование инвестиций. Краткие характеристики: смешанная система представления знаний, использование разнообразных механизмов выво­да: логика, направленные семантические сети, фреймы, правила.

В настоящее время наиболее значительная доля использования интеллектуальных информационных систем приходится на интеллектуальные информационные агенты.

Назначение и функции интеллектуальных информационных агентов

Одним из фундаментальных понятий во многих областях теории искусственного интеллекта (и, в частности, задаче планирования) является концепция агента – того объекта, который действует в некотором окружении с целью выполнения определенных функций. Несмотря на широкую распространенность самого термина «агент», до настоящего времени не существует общепринятого определения этого понятия. В последующем изложении понятие интеллектуального агента будет интерпретироваться в смысле двух определений :

1. Слабое определение интеллектуального агента: интеллектуальный агент – аппаратная или программная система, обладающая следующими свойствами: автономность, реактивность, активность и коммуникативность.

2. Сильное определение интеллектуального агента: интеллектуальный агент – вычислительная система, обладающая перечисленными свойствами и, кроме того, реализованная на основе концепций, наиболее применимых к людям.

В работе определения сформулированы несколько иным образом по отношению к приведенным выше: под агентом понимается самостоятельная программная система, имеющая возможность принимать воздействие из внешнего мира, определять свою реакцию на это воздействие и осуществлять эту реакцию, тогда как понятие интеллектуального агента соответствует агенту, который обладает рядом знаний о себе и окружающем мире и поведение которого определяется этими знаниями

Наряду с перечисленными определениями в литературе по искусственному интеллекту встречается еще несколько десятков разнообразных формулировок определения агента , тем не менее, большинство из них сводится к наличию перечисленного набора ключевых признаков. Рассмотрим определяющие свойства интеллектуальных агентов более подробно:

· Автономность – способность функционировать независимо от внешних управляющих воздействий (например, контроля оператора). Высокой степени автономности способствуют такие возможности агента как гибкие алгоритмы работы, способность к самообучению, возможность работы с неполной информацией.

· Реактивность – способность к восприятию агентом состояния окружающей среды (внешнего мира) и изменений этого состояния, а также к учету этой информации в своей деятельности. Крайними формами использования свойства реактивности являются жесткая схема работы агента, при которой действия выполняются по заранее разработанному плану, не модифицируемому в процессе выполнения, и полностью реактивная схема поведения, когда агент не имеет заранее подготовленного плана и действует только на основании информации о текущем состоянии среды.

· Целеустремленность – способность агента не только к реактивным действиям, но и к целенаправленному поведению для достижения некоторой заданной цели, устанавливаемой самостоятельно или извне.

· Коммуникативность – свойство агентов взаимодействовать между собой, а также с другими интеллектуальными существами (например, людьми). Например, в задаче распределенного искусственного интеллекта в системе действуют несколько агентов, некоторым образом взаимодействующих между собой. В простом случае взаимодействие ограничивается лишь обменом информацией, в более сложных системах агенты могут кооперироваться и корректировать свою деятельность для достижения общих целей.

Примером интеллектуального агента является софтбот (программный робот) – система, взаимодействующая с компьютерной средой (например, операционной системой) посредством выполнения команд и интерпретации результатов команд и других сообщений среды.

Как показывает практика, в большинстве случаев применение интеллектуальных агентов сводится к одному из двух вариантов:

1. Автономное выполнение специфических функций вместо человека, а в ряде случаев, даже от лица человека.

2. Помощь в выполнении некоторых видов деятельности посредством высокоуровневого взаимодействия с человеком.

В результате анализа известных прикладных систем, реализованных на базе рассматриваемого подхода, можно выделить следующие типы интеллектуальных агентов :

1. Кооперативные агенты, способные не только к автономному изолированному функционированию, но и к совместной деятельности с другими агентами, в частности координации действий, разработке общих планов и разрешению конфликтов. Примерами агентов являются проект Pleiades университета Карнеги-Меллон , системы MII и ADEPT .

2. Интерфейсные агенты, задачей которых является взаимодействие с пользователем (а не с другими агентами) и помощь ему в выполнении некоторой деятельности. Данный тип агентов также иногда называют персональными ассистентами. Существующие реализации включают различные справочные системы , торговые помощники , системы поддержки документооборота и развлекательные системы .

3. Мобильные агенты, обладающие способностью выполнять свои функции при различном расположении внутри среды обитания. Наиболее естественной средой функционирования для таких агентов являются различные вычислительные сети или системы связи . Необходимо также заметить, что сама по себе мобильность не является ни необходимым, ни достаточным свойством интеллектуального агента.

4. Информационные агенты возникли в виде отдельного класса в результате резко возникшей необходимости поиска, сбора и переработки большого количества информации с относительно простым доступом. В первую очередь к данной группе относятся системы поиска в Интернет, например поиск в WWW (Jasper , Webwatcher ) и фильтрация архивов телеконференций (NewT ).

5. Реактивные агенты составляют специальную группу агентов, которые не располагают какой-либо внутренней моделью среды, а действуют лишь в ответ на определенное состояние окружающей среды или изменение состояния. Примерами таких систем являются “ситуационный автомат” , различные системы моделирования общественного поведения , игровые приложения .

6. Гибридные агенты, совмещающие в себе особенности, присущие различным вышеперечисленным классам. К данной группе относятся, в частности, InteRRaP , сочетающий в себе реактивный и кооперативный модули, система мониторинга пациентов Guardian , а также различные мобильные информационные агенты.

7. Гетерогенные агентные системы, в отличие от гибридных агентов, состоят из нескольких агентов, принадлежащих к разным классам. Основной мотивацией при создании таких систем является построение интеграции существующих специализированных систем (ARCHON ), при этом одним из основных вопросов оказывается организация взаимодействия между агентами .

Несмотря на очевидные преимущества и перспективы применения интеллектуальных агентов в различных научных и практических областях, данному подходу присущ также ряд ограничений, в частности:

· Отсутствие общего контроля над интеллектуальными агентами может повлечь значительные сложности при необходимости учета глобальных ограничений, требований гарантированного ответа в реальном времени и обхода возможных тупиковых ситуаций.

· Отсутствие глобальной перспективы: поскольку в реальности агентные системы не могут обладать полной системой знаний об окружающем мире, возникает вопрос о возможности нахождения оптимальных или субоптимальных решений на основе локальной базы знаний.

· Проблема доверия: насколько можно доверять интеллектуальным агентам при автономном выполнении возложенных на них функций, особенно когда такой агент действует в реальном мире от имени некоего физического лица или организации.

Тем не менее, в настоящее время наблюдается повышенный спрос на технологию интеллектуальных агентов со стороны ведущих мировых корпораций, что стимулирует большой объем научно-исследовательской работы в данной области, которая ведется в нескольких основных направлениях:

· Направление по теории агентов занимается исследованием и разработкой спецификаций, концептуализацией агентов, определением свойств и способов их формализованного представления. В работе исследуются признаки, отличающие интеллектуальных агентов от обычного программного обеспечения, а в и содержится достаточно полный обзор существующих теоретических подходов.

· Направление по архитектуре агентов изучает вопросы реализации спецификаций, аппаратные и программные аспекты проблемы построения вычислительной системы, удовлетворяющей заданным свойствам. Примерами наиболее известных архитектур интеллектуальных агентов являются: GISA (Generic Intelligent Software Agent) , BDI (Belief-Desire-Intention) и FIPA (Foundation for Intelligent Physical Agents) .

· Направление по языкам программирования агентов исследует способы формального описания теоретических принципов, вопросы поиска оптимальных примитивов при кодировании агентов, эффективной компиляции и выполнении программ. К данной группе, в частности, относятся работы, посвященные реализации агентов для Интернет и корпоративных сетей , исследованию особенностей применения объектно-ориентированного подхода и концепции агенто-ориентированного программирования .

Наука и техника идут вперёд семимильными шагами. Особенно решительный рывок был сделан в последние десятилетия нашего века, и касается он компьютерных технологий, информационных систем.

Что такое ИИС?

Задача специалистов нанотехнологий и компьютерного интеллекта заключается в том, чтобы создать такой искусственный мозг, который мог бы справляться с проблемами, требующими неоднозначного подхода и креативных путей решения. В искусственный интеллект необходимо вложить опыт, умения, знания, даже таланты, которыми обладает человеческая личность. И это не только для того, чтобы компьютер мог справиться с одним определённым заданием. Ведь аналогичных или близких ситуаций может быть бесконечное множество. И, «научившись» справляться с одной, компьютерная модель без труда сможет распознавать и разрешать подобные. Потому что в ее памяти будут внедрены знания данного человека, его интеллектуальные возможности, жизненный опыт и ещё многие другие Такой мозг, без сомнения, адаптируется для применения в других соответствующих сферах.

Самый непростой момент в такой задаче - это именно смоделировать такой искусственный интеллект, в котором присутствовала бы интуиция, сознание, подсознание в соответствие с человеческим. Подобные интеллекты в программировании принято называть «интеллектуальные информационные системы» - ИИС. Системы эти должны общаться с человеком на его родном, человеческом языке. А машинный перевод должен уметь уловить и обработать, «понять» всё богатство, смысловое и эмоциональное, человеческой речи.

Иначе говоря, интеллектуальные информационные системы - это компьютерные модели возможностей человеческого интеллекта в области целевого поиска, текущих сведений об окружающем мире для получения новых знаний о нём и решения на их основе особо важных задач. И если первые информационные системы просто работали на основе каталогов и классификаторов, выполняя решение соответствующих проблем, если автоматические информационные системы опирались на банки и базы данных, то ИИС включают в свой рабочий потенциал не что-нибудь, а базу знаний. Помимо сбора, обработки и хранения информации, интеллектуальные информационныесистемы разбираются с интеллектуальными проблемами и заданиями.

Основные направления в работе над ИИС

Работа над искусственным интеллектом ведётся в трёх основных направлениях. Первое - это раскрыть тайны человеческого мышления, исследовать структуру мозга и механизмы его работы. Учёные работают над изучением психофизиологических данных человека, отрабатывают гипотезы, связанные с работой механизмов разных видов рассматривают внедрение их в интеллектуальные информационные системы.

Во втором направлении ведутся работы по собственно моделированию, т.е. созданию такой системы при помощи компьютерной техники и т.д. Его представители заняты разработкой программного обеспечения, алгоритмических схем для вычислительной техники такого рода и класса, которая бы выступала как интеллектуальная система и решала проблемы на человеческом, осознанном и творческом уровне.

Учёные, представляющие так называемое третье направление, работают в, казалось бы, совершенно фантастической области - создание конкретных человеко-роботов, в которых функции информационной системы, т.е. искусственного разума, сочетались бы с возможностями естественного человеческого интеллекта.

Как отмечают задействованные теоретики и практики, наиболее сложный этап в исследованиях и конструируемых моделях - найти и воплотить оптимально возможное сочетание слияния человеческого и машинного разумов, организовать в языковом плане адекватный диалог между системой и человеком.