Inteligentni informacioni sistemi (2) - Sažetak. Cheat Sheet: Inteligentni informacioni sistemi

Predavanje broj 1 IIS

Zbog svoje namjene, inteligentni informacioni sistemi se mogu koristiti u gotovo svim oblastima ljudske aktivnosti. Primjeri područja u kojima ovaj pristup već daje opipljive rezultate su:

· Industrija:

Upravljanje proizvodnjom: dizajn i optimizacija proizvodnog lanca distribucijom tehnoloških koraka između internih odjela i između trećih izvođača.

Kontrola proizvodnih procesa: prikupljanje i analiza aktuelnih informacija, komunikacija sa agentima koji kontrolišu druge podsisteme, donošenje i implementacija operativnih odluka.

Upravljanje zračnim transportom: modeliranje i optimizacija dispečerskih aktivnosti aerodroma.

preduzetništvo:

Upravljanje informacijama: traženje izvora, prikupljanje, filtriranje i analiza podataka, inteligentna obrada velikih količina informacija.

E-commerce nudi velike mogućnosti za korištenje inteligentnih agenata kako na strani prodavača tako i na strani kupca.

Upravljanje poslovnim procesima: fleksibilna automatizacija korporativnih organizacionih aktivnosti sa složenom internom logikom i velikim brojem uključenih strana.

· Lijek:

Praćenje pacijenata: kontinuirano prikupljanje, snimanje i analiza velikog broja praćenih karakteristika stanja pacijenta tokom dužeg vremenskog perioda.

Zdravstvo: mogućnost pregleda i dijagnosticiranja pacijenata pomoću virtuelnih specijalista iz različitih oblasti medicine.

· Industrija zabave:

Kompjuterske igre: sposobnost postizanja kvalitativno novih nivoa korištenjem inteligentnih agenata za različite uključene strane.

Interaktivne aplikacije (televizija, pozorište, bioskop): agenti mogu stvoriti iluziju stvarnosti radnje koja se odvija, omogućavajući korisniku da učestvuje u njoj.

Primjeri IIS-a u ekonomiji:

· Inteligentni hedžer: pristup problemima osiguranja rizika zasnovan na znanju. Firma: Odeljenje za informacioni sistem, Univerzitet u Njujorku. Problem ogromnog broja stalno rastućih alternativa osiguranja rizika, brzog donošenja odluka od strane menadžera rizika u ubrzanom protoku informacija i nedostatka adekvatne mašinske podrške u ranoj fazi razvoja sistema osiguranja rizika sugeriše širok spektar različitih optimalna rješenja za menadžere rizika. U ovom sistemu, razvoj osiguranja od rizika je formulisan kao višenamenski problem optimizacije. Ovaj problem optimizacije uključuje nekoliko poteškoća s kojima se postojeća tehnička rješenja ne mogu nositi. Sažetak: Sistem koristi prikaz objekata koji obuhvata dubinsko znanje o upravljanju rizikom i olakšava emulaciju primarnog rezonovanja koje pokreće rizik, korisno za zaključke i njihova objašnjenja.

· Sistem rezonovanja u predviđanju valutne razmjene.Čvrsto. Odsjek za kompjuterske nauke City Polytechnic University of Hong Kong Uvodi novi pristup predviđanju deviznih kurseva zasnovan na akumulaciji i rasuđivanju sa podrškom za prisutne karakteristike koje se fokusiraju na skup hipoteza o kretanju deviznog kursa. Predstavljen u prediktivnom sistemu skup funkcija je dati skup ekonomskih vrijednosti i različitih skupova vremenski promjenjivih parametara koji se koriste u modelu predviđanja. Kratke karakteristike: matematička osnova primijenjenog pristupa zasnovana je na Dempster-Schaefer teoriji.

· Nereid. Sistem za podršku odlučivanju za optimizaciju rada sa valutnim opcijama. Firma: NTT Data, The Tokai Bank, Naučni univerzitet u Tokiju. Sistem olakšava podršku dilerima za optimalan odgovor kao jednu od mogućih opcija; je praktičniji i daje bolje odluke od konvencionalnih sistema odlučivanja. Kratke karakteristike: Sistem je razvijen korišćenjem CLP okvirnog sistema, koji lako integriše finansijsku oblast u AI aplikaciju. Predlaže se mješoviti tip optimizacije koji kombinuje heurističko znanje sa tehnikama linearnog programiranja. Sistem radi na Sun stanicama.

· PMIDSS: Sistem za podršku odlučivanju o upravljanju portfoliom. Programeri: New York University Finance Group. Zadaci koji se rješavaju: izbor portfelja vrijednosnih papira; dugoročno planiranje investicija. Kratke karakteristike: mešoviti sistem predstavljanja znanja, upotreba različitih mehanizama zaključivanja: logika, usmerene semantičke mreže, okviri, pravila.

Trenutno najznačajniji udio u korištenju inteligentnih informacionih sistema otpada na inteligentne informacione agente.

Svrha i funkcije inteligentnih informacijskih agenata

Jedan od temeljnih koncepata u mnogim područjima teorije umjetne inteligencije (a posebno problema planiranja) je koncept agenta - objekta koji djeluje u određenom okruženju kako bi izvršio određene funkcije. Unatoč raširenoj upotrebi samog pojma "agent", do sada ne postoji općeprihvaćena definicija ovog pojma. U sljedećoj prezentaciji, koncept inteligentnog agenta će se tumačiti u smislu dvije definicije:

1. Slaba definicija inteligentnog agenta: inteligentni agent je hardverski ili softverski sistem sa sljedećim svojstvima: autonomija, reaktivnost, aktivnost i komunikacija.

2. Jaka definicija inteligentnog agenta: inteligentni agent je računarski sistem koji poseduje navedena svojstva i, pored toga, implementiran je na osnovu koncepata koji su najprimenljiviji na ljude.

U radu su definicije formulisane na nešto drugačiji način u odnosu na gore navedeno: agent se shvata kao nezavisan softverski sistem koji ima sposobnost da primi uticaj iz spoljašnjeg sveta, odredi svoj odgovor na taj uticaj i izvrši ovo. reakcija, dok koncept inteligentnog agenta odgovara agentu koji ima niz znanja o sebi i svijetu oko sebe i čije je ponašanje određeno tim saznanjima

Uz navedene definicije u literaturi o umjetnoj inteligenciji, postoji nekoliko desetina različitih formulacija definicije agenta, međutim, većina se svodi na prisutnost navedenog skupa ključnih karakteristika. Razmotrimo detaljnije definirajuća svojstva inteligentnih agenata:

· Autonomija - sposobnost da funkcioniše nezavisno od spoljašnjih kontrolnih radnji (na primer, kontrola operatera). Visok stepen autonomije je omogućen takvim sposobnostima agenta kao što su fleksibilni algoritmi rada, sposobnost samoučenja i sposobnost rada sa nepotpunim informacijama.

· Reaktivnost - sposobnost agenta da percipira stanje okoline (spoljašnjeg sveta) i promene u tom stanju, kao i da ove informacije uzme u obzir u svojoj delatnosti. Ekstremni oblici korištenja svojstva reaktivnosti su rigidna shema rada agenta, u kojoj se radnje izvode prema unaprijed izrađenom planu koji se ne mijenja tokom izvršenja, te potpuno reaktivan obrazac ponašanja, kada agent nema unaprijed pripremljen plan i djeluje samo na osnovu informacija o trenutnom stanju životne sredine.

· Svrsishodnost – sposobnost agenta ne samo za reaktivne akcije, već i za svrsishodno ponašanje u cilju postizanja nekog zadatog cilja, postavljenog samostalno ili spolja.

· Komunikacija – svojstvo agenata da komuniciraju jedni s drugima, kao i sa drugim inteligentnim bićima (na primjer, ljudima). Na primjer, u problemu distribuirane umjetne inteligencije, nekoliko agenata djeluje u sistemu, koji na neki način međusobno djeluju. U jednostavnom slučaju, interakcija je ograničena samo na razmjenu informacija; u složenijim sistemima agenti mogu sarađivati ​​i prilagođavati svoje aktivnosti za postizanje zajedničkih ciljeva.

Primer inteligentnog agenta je softbot (softverski robot) - sistem koji komunicira sa računarskim okruženjem (na primer, operativnim sistemom) izvršavanjem komandi i tumačenjem rezultata komandi i drugih poruka iz okruženja.

Kao što praksa pokazuje, u većini slučajeva korištenje inteligentnih agenata svodi se na jednu od dvije opcije:

1. Autonomno obavljanje određenih funkcija umjesto osobe, au nekim slučajevima čak iu ime osobe.

2. Pomoć u obavljanju određenih aktivnosti kroz međuljudsku interakciju na visokom nivou.

Kao rezultat analize poznatih primijenjenih sistema implementiranih na osnovu razmatranog pristupa, mogu se razlikovati sljedeće vrste inteligentnih agenata:

1. Kooperativni agenti, sposobni ne samo za samostalno izolovano funkcionisanje, već i za zajedničke aktivnosti sa drugim agentima, posebno za koordinaciju akcija, izradu zajedničkih planova i rešavanje sukoba. Primjeri agenata su Projekt Plejade Univerziteta Carnegie Mellon, MII Systems i ADEPT.

2. Interfejs agenti, čiji je zadatak da komuniciraju sa korisnikom (a ne sa drugim agentima) i pomažu mu da izvrši neku aktivnost. Ova vrsta agenta se ponekad naziva i personalnim asistentom. Postojeće implementacije uključuju različite sisteme pomoći, prodajne pomoćnike, sisteme podrške za radni proces i sisteme za zabavu.

3. Mobilni agenti sa mogućnošću obavljanja svojih funkcija na različitim lokacijama unutar staništa. Najprirodnije okruženje za funkcionisanje takvih agenata su različite računarske mreže ili komunikacioni sistemi. Takođe treba napomenuti da sama mobilnost nije ni neophodno ni dovoljno svojstvo inteligentnog agenta.

4. Informacioni agenti su se pojavili kao posebna klasa kao rezultat hitne potrebe za pretraživanjem, prikupljanjem i obradom velike količine informacija sa relativno lakim pristupom. Prije svega, ova grupa uključuje sisteme za pretraživanje interneta, na primjer, pretraživanje na WWW-u (Jasper, Webwatcher) i filtriranje arhiva diskusionih grupa (NewT).

5. Reaktivni agensi čine posebnu grupu agenasa koji nemaju nikakav unutrašnji model okoline, već djeluju samo kao odgovor na određeno stanje okoline ili promjenu stanja. Primjeri takvih sistema su „situaciona mašina“, različiti sistemi za modeliranje društvenog ponašanja i aplikacije za igre.

6. Hibridni agenti koji kombinuju karakteristike svojstvene raznim gore navedenim klasama. Ova grupa uključuje, posebno, InterRRaP, koji kombinuje reaktivne i kooperativne module, Guardian sistem za praćenje pacijenata, kao i različite mobilne informacione agente.

7. Heterogeni sistemi agenasa, za razliku od hibridnih agenasa, sastoje se od nekoliko agenasa koji pripadaju različitim klasama. Osnovna motivacija za stvaranje ovakvih sistema je izgradnja integracije postojećih specijalizovanih sistema (ARCHON), dok je jedno od glavnih pitanja organizacija interakcije između agenata.

Unatoč očiglednim prednostima i izgledima korištenja inteligentnih agenata u različitim naučnim i praktičnim oblastima, ovaj pristup također ima niz ograničenja, a posebno:

· Nedostatak opšte kontrole nad inteligentnim agentima može dovesti do značajnih poteškoća kada je potrebno uzeti u obzir globalna ograničenja, zahtjeve za garantovanim odgovorom u realnom vremenu i zaobilaženje mogućih zastoja.

· Nedostatak globalne perspektive: budući da u stvarnosti sistemi bazirani na agentima ne mogu imati kompletan sistem znanja o svijetu oko sebe, postavlja se pitanje mogućnosti pronalaženja optimalnih ili suboptimalnih rješenja na osnovu lokalne baze znanja.

· Problem povjerenja: koliko se može vjerovati inteligentnim agentima kada obavljaju svoje funkcije autonomno, posebno kada takav agent djeluje u stvarnom svijetu u ime određenog pojedinca ili organizacije.

Međutim, trenutno postoji povećana potražnja za tehnologijom inteligentnih agenata od strane vodećih svjetskih korporacija, što stimulira veliki obim istraživačkog rada u ovoj oblasti, koji se odvija u nekoliko glavnih pravaca:

· Pravac teorije agenata bavi se istraživanjem i razvojem specifikacija, konceptualizacijom agenata, definisanjem svojstava i metodama njihovog formalizovanog predstavljanja. U radu se ispituju karakteristike koje razlikuju inteligentne agente od konvencionalnog softvera i sadrži prilično potpun pregled postojećih teorijskih pristupa.

· Pravac arhitekture agenta proučava implementaciju specifikacija, hardverskih i softverskih aspekata problema izgradnje računarskog sistema koji zadovoljava zadata svojstva. Primeri najpoznatijih arhitektura inteligentnih agenata su: GISA (Generički inteligentni softverski agent), BDI (Belief-Desire-Intention) i FIPA (Fondacija za inteligentne fizičke agente).

· Pravac agentskih programskih jezika istražuje načine formalnog opisa teorijskih principa, traženje optimalnih primitiva kod kodiranja agenata, efikasnu kompilaciju i izvršavanje programa. U ovu grupu posebno spadaju radovi posvećeni implementaciji agenata za Internet i korporativne mreže, proučavanju karakteristika primene objektno orijentisanog pristupa i konceptu agentsko orijentisanog programiranja.

U skladu sa gore navedenim karakteristikama, IMS se dele na (ova klasifikacija je jedna od mogućih) (slika 1):

sistemi sa komutativnim mogućnostima (sa inteligentnim interfejsom);

ekspertni sistemi (sistemi za rješavanje složenih problema);

sistemi koji samouče (sistemi sposobni za samoučenje);

adaptivni sistemi (adaptivni informacioni sistemi).

Rice. 1. Klasifikacija inteligentnih informacionih sistema po vrstama sistema

Inteligentne baze podataka razlikuju se od konvencionalnih baza podataka po mogućnosti preuzimanja potrebnih informacija na zahtjev, koje možda neće biti eksplicitno pohranjene, već izvedene iz informacija dostupnih u bazi podataka.

Sučelje prirodnog jezika uključuje prevođenje konstrukcija prirodnog jezika na nivo predstavljanja znanja u mašini. Za to je potrebno riješiti probleme morfološke, sintaktičke i semantičke analize i sinteze iskaza u prirodnom jeziku. Dakle, morfološka analiza uključuje prepoznavanje i provjeru pravopisa riječi u rječnicima, sintaksičku kontrolu - dekompoziciju ulaznih poruka na zasebne komponente (određivanje strukture) uz provjeru usklađenosti s gramatičkim pravilima internog predstavljanja znanja i identifikaciju dijelova koji nedostaju i , konačno, semantička analiza – utvrđivanje semantičke ispravnosti sintaksičkih dizajna. Sinteza iskaza rješava inverzni problem transformacije unutrašnjeg prikaza informacija u prirodni jezik.

Sučelje prirodnog jezika se koristi za:

pristup inteligentnim bazama podataka;

kontekstualno pretraživanje informacija o dokumentarnom tekstu;

mašinsko prevođenje sa stranih jezika.

Hipertekstualni sistemi dizajnirani su za implementaciju pretraživanja po ključnim riječima u tekstualnim informacionim bazama. Inteligentni hipertekstualni sistemi odlikuju se mogućnošću složenije semantičke organizacije ključnih riječi, koja odražava različite semantičke odnose pojmova. Dakle, pretraživač radi prvenstveno sa bazom znanja ključnih reči, a tek onda direktno sa tekstom. U širem smislu, isto se odnosi i na pretragu multimedijalnih informacija, uključujući, pored teksta, i digitalne informacije.

Kontekstualni sistemi pomoć se može posmatrati kao poseban slučaj sistema inteligentnog hiperteksta i prirodnog jezika. Za razliku od konvencionalnih sistema pomoći, koji korisniku nameću šemu traženja traženih informacija, u kontekstualnim sistemima pomoći korisnik opisuje problem (situaciju), a sistem ga, uz pomoć dodatnog dijaloga, specificira i sam pretražuje. za preporuke vezane za situaciju. Takvi sistemi spadaju u klasu sistema za objavljivanje znanja i kreiraju se kao prilog dokumentacionim sistemima (npr. tehnička dokumentacija za rad robe).

Kognitivni grafički sistemi omogućavaju implementaciju korisničkog interfejsa sa IMS-om koristeći grafičke slike koje se generišu u skladu sa događajima koji se dešavaju. Takvi sistemi se koriste za praćenje i upravljanje operativnim procesima. Grafičke slike u vizuelnom i integrisanom obliku opisuju mnoge parametre proučavane situacije. Na primjer, stanje složenog kontroliranog objekta prikazano je u obliku ljudskog lica, u kojem je svaka karakteristika odgovorna za neki parametar, a opći izraz lica daje integrirani opis situacije. Kognitivni grafički sistemi se takođe široko koriste u sistemima nastave i obuke koji se zasnivaju na korišćenju principa virtuelne stvarnosti, kada grafičke slike simuliraju situacije u kojima učenik treba da donese odluke i izvrši određene radnje.

Ekspertni sistemi dizajnirani su za rješavanje problema na osnovu akumulirane baze znanja koja odražava iskustvo stručnjaka u problematičnoj oblasti koja se razmatra.

Sistemi sa više agenata. Ovakve dinamičke sisteme karakteriše integracija u bazu znanja više heterogenih izvora znanja, razmjenjujući rezultate dobijene jedni s drugima na dinamičkoj osnovi.

Za multi-agens sistemi karakteristične su sljedeće karakteristike:

sprovođenje alternativnog zaključivanja zasnovanog na korišćenju različitih izvora znanja sa mehanizmom za otklanjanje kontradikcija;

distribuirano rješavanje problema, koji su raščlanjeni na paralelno riješene podprobleme koji odgovaraju nezavisnim izvorima znanja;

primjena mnogih strategija za rad mehanizma za donošenje zaključaka u zavisnosti od vrste problema koji se rješava;

obrada velikih količina podataka sadržanih u bazi podataka;

korištenje različitih matematičkih modela i eksternih procedura pohranjenih u bazi podataka modela;

mogućnost prekida rješavanja problema zbog potrebe pribavljanja dodatnih podataka i znanja od korisnika, modela i paralelnih podproblema koje treba riješiti.

U srcu sistemi za samoučenje metode automatske klasifikacije primjera stvarnih situacija lažu.

Karakteristične karakteristike sistema za samoučenje su:

sistemi za samoučenje "sa nastavnikom", kada se za svaki primjer eksplicitno postavlja vrijednost atributa njegove pripadnosti određenoj klasi situacija (klasoformirajući atribut);

samoučeći sistemi "bez nastavnika", kada, prema stepenu bliskosti vrijednosti klasifikacijskih znakova, sistem sam bira klase situacija.

Induktivni sistemi koristiti generalizaciju primjera po principu od posebnog ka opštem. Proces za klasifikaciju primjera je sljedeći:

Klasifikacioni atribut se bira iz skupa datih (bilo uzastopno ili prema nekom pravilu, na primer, u skladu sa maksimalnim brojem dobijenih podskupova primera).

Prema vrijednosti odabrane karakteristike, mnogi primjeri su podijeljeni u podskupove.

Provjerava da li svaki rezultirajući podskup primjera pripada istoj podklasi.

Ako podskup primjera pripada jednoj podklasi, to jest, svi primjeri podskupa imaju istu vrijednost osobine koja formira klasu, tada se proces klasifikacije završava (dok se preostale karakteristike klasifikacije ne uzimaju u obzir).

Za podskupove primjera sa neusklađenom vrijednošću atributa koji formira klasu, proces klasifikacije se nastavlja od tačke 1 (svaki podskup primjera postaje klasifikovani skup).

Neuralne mreže su paralelni računarski uređaji koji se sastoje od mnogih jednostavnih procesora koji međusobno djeluju. Svaki procesor na takvoj mreži radi samo sa signalima koje periodično prima i signalima koje povremeno šalje drugim procesorima.

U ekspertnim sistemima, na osnovu slučaja(analogije), baza znanja ne sadrži opise generaliziranih situacija, već zapravo same situacije ili presedane.

Potraga za rješenjem problema u ekspertnim sistemima zasnovanim na presedanima svodi se na traženje po analogiji (tj. abduktivno zaključivanje od posebnog do posebnog).

Za razliku od pametne baze podataka, prodavnica informacija je spremište izdvojenih smislenih informacija iz operativne baze podataka, koje je namijenjeno za analizu operativnih situacijskih podataka (implementacija OLAP tehnologije).

Tipični zadaci operativne situacijske analize su:

definiranje profila potrošača specifičnih skladišnih objekata;

predviđanje promjena u objektima skladištenja tokom vremena;

analiza zavisnosti znakova situacija (korelacione analize).

Adaptivni informacioni sistem To je informacioni sistem koji mijenja svoju strukturu u skladu sa promjenom modela problematičnog područja.

pri čemu:

adaptivni informacioni sistem mora adekvatno podržati organizaciju poslovnih procesa u svakom trenutku;

adaptivni informacioni sistem mora se prilagođavati svaki put kada postoji potreba za reorganizacijom poslovnih procesa;

rekonstrukciju informacionog sistema treba izvršiti brzo i uz minimalne troškove.

Jezgro adaptivnog informacionog sistema je model problemskog područja (preduzeća), koji se stalno razvija, podržan u posebnoj bazi znanja - repozitorijumima. Kernel se koristi za generiranje ili konfiguraciju softvera. Dakle, projektovanje i prilagođavanje IS svodi se, pre svega, na izgradnju modela problematičnog područja i njegovu pravovremenu korekciju.

Pošto ne postoji opšteprihvaćena definicija, teško je dati jasnu jedinstvenu klasifikaciju inteligentnih informacionih sistema. Na primjer, ako uzmemo u obzir inteligentne informacione sisteme sa stanovišta problema koji se rešava, tada je moguće razlikovati sisteme upravljanja i referentne sisteme, sisteme računarske lingvistike, sisteme za prepoznavanje, sisteme igara i sisteme za kreiranje inteligentnih informacionih sistema (Sl. 2).

Istovremeno, sistemi mogu riješiti ne jedan, već nekoliko problema, ili u procesu rješavanja jednog problema mogu riješiti niz drugih. Na primjer, prilikom podučavanja stranog jezika, sistem može riješiti probleme prepoznavanja govora učenika, testirati, odgovarati na pitanja, prevoditi tekstove s jednog jezika na drugi i podržavati interfejs rada na prirodnom jeziku.

Slika 2 - Klasifikacija inteligentnih informacionih sistema prema zadacima koji se rešavaju

Ako klasifikujemo inteligentne informacione sisteme po kriterijumu "korišćene metode", zatim se dijele na tvrde, meke i hibridne (sl. 3).

Soft computing Je sofisticirana kompjuterska metodologija zasnovana na fuzzy logici, genetskom računarstvu, neurokompjutingu i verovatnosnom računarstvu. Teško računarstvo - tradicionalno računarsko računarstvo (ne meko). Hibridni sistemi- sistemi koji koriste više od jedne računarske tehnologije (u slučaju inteligentnih sistema, tehnologije umjetne inteligencije).

Rice. 3. Klasifikacija inteligentnih informacionih sistema po metodama

Moguće su i druge klasifikacije, na primer, razlikuju sisteme opšte namene i specijalizovane sisteme (slika 4).

Rice. 4. Klasifikacija inteligentnih sistema prema namjeni

Osim toga, ova shema odražava druga varijanta klasifikacije po metodama: sistemi koji koriste metode predstavljanja znanja, samoorganizujući sistemi i sistemi kreirani heurističkim programiranjem. Takođe u ovoj klasifikaciji, sistemi za generisanje muzike se nazivaju komunikacionim sistemima.

Za inteligentne sisteme opće namjene odnosi se na sisteme koji ne samo da izvršavaju određene procedure, već na osnovu metaprocedura pretraživanja generišu i izvršavaju procedure za rješavanje novih specifičnih problema.

Specijalizovani inteligentni sistemi izvršavaju rješenje fiksnog skupa zadataka unaprijed određenih u dizajnu sistema.

Nedostatak jasne klasifikacije također se objašnjava raznolikošću intelektualnih zadataka i intelektualnih metoda, osim toga, umjetna inteligencija je nauka koja se aktivno razvija u kojoj se svakodnevno savladavaju nova primijenjena područja.

Inteligentni informacioni sistemi

Inteligentni informacioni sistem(IIS) je jedan od tipova automatizovanih informacionih sistema, ponekad se IIS naziva sistem zasnovan na znanju. IIS je kompleks softverskih, lingvističkih i logičko-matematičkih alata za realizaciju glavnog zadatka: podrška ljudskim aktivnostima i pronalaženju informacija u načinu naprednog dijaloga na prirodnom jeziku.

IIS klasifikacija

• Ekspertni sistemi
  • Ekspertni sistemi (ES).
  • Interaktivni baneri (web + ES)
• Sistemi pitanja-odgovora (u nekim izvorima "komunikacijski sistemi")
  • Inteligentni pretraživači (na primjer, sistem Start)

IMS se može postaviti na bilo koju stranicu na kojoj korisnik postavlja pitanja sistemu na prirodnom jeziku (ako je u pitanju sistem pitanje-odgovor) ili, odgovarajući na pitanja sistema, pronalazi potrebne informacije (ako se radi o ekspertskom sistemu). Ali, po pravilu, ES na Internetu obavljaju reklamne i informativne funkcije (interaktivni baneri), a ozbiljni sistemi (kao što je, na primjer, ES za dijagnostiku opreme) se koriste lokalno, jer obavljaju specifične specifične zadatke.
Inteligentni pretraživači se razlikuju od virtuelnih sagovornika po tome što su prilično bezlični i kao odgovor na pitanje daju neki izvod iz izvora znanja (ponekad prilično velikog obima), a sagovornici imaju „karakter“, poseban način komunikacije (mogu koristiti sleng, psovke), a njihovi odgovori trebaju biti što ježe moguće sažetiji (ponekad čak i samo u obliku emotikona, ako se uklapa u kontekst :-)).

Logički jezici (Prolog, Lisp, itd.) su se ranije koristili za razvoj IMS-a, a sada se koriste različiti proceduralni jezici. Logička i matematička podrška je razvijena kako za module samih sistema, tako i za priključivanje ovih modula. Međutim, danas ne postoji univerzalni logičko-matematički sistem koji bi mogao da zadovolji potrebe bilo kog IMS programera, tako da morate ili kombinovati stečeno iskustvo ili sami razvijati logiku sistema. U oblasti lingvistike takođe postoje brojni problemi, na primer, da bi se obezbedio rad sistema u režimu dijaloga sa korisnikom na prirodnom jeziku, potrebno je u sistem staviti algoritme za formalizovanje prirodnog jezika, tj. a ovaj zadatak se pokazao mnogo komplikovanijim nego što se pretpostavljalo u zoru razvoja inteligentnih sistema. Drugi problem je stalna varijabilnost jezika, koja se nužno mora odraziti na sisteme vještačke inteligencije.

Osiguravanje rada IIS-a

• Matematički
• Lingvistički
• Informacije
• Semantički
• Softver
• Technical
• Tehnološki
• Osoblje

Klasifikacija zadataka koje rješava IIS

• Interpretiranje podataka... Ovo je jedan od tradicionalnih zadataka za ekspertne sisteme. Tumačenje se odnosi na proces određivanja značenja podataka čiji rezultati moraju biti konzistentni i tačni. Obično je predviđena multivarijantna analiza podataka.
• Dijagnostika... Dijagnostika se odnosi na proces povezivanja objekta sa određenom klasom objekata i/ili otkrivanja kvara u određenom sistemu. Kvar je odstupanje od norme. Ovo tumačenje omogućava sagledavanje, sa jedinstvenog teorijskog stanovišta, kvara opreme u tehničkim sistemima, bolesti živih organizama i svih vrsta prirodnih anomalija. Važna specifičnost ovdje je potreba za razumijevanjem funkcionalne strukture („anatomije“) dijagnostičkog sistema.
• Monitoring... Osnovni zadatak monitoringa je kontinuirana interpretacija podataka u realnom vremenu i signaliziranje da su određeni parametri izvan dozvoljenih granica. Glavni problemi su "preskakanje" alarmantne situacije i inverzni zadatak "lažnog" aktiviranja. Složenost ovih problema je u zamagljenosti simptoma anksioznih situacija i potrebi da se uzme u obzir vremenski kontekst.
• Dizajn... Dizajn se sastoji u pripremi specifikacija za kreiranje "objekata" sa unapred definisanim svojstvima. Specifikacija znači čitav skup potrebnih dokumenata - crtež, objašnjenje itd. Glavni problemi ovdje su dobijanje jasnog strukturalnog opisa znanja o objektu i problem "otiska stopala". Za organizovanje efektivnog dizajna i, u još većoj meri, redizajniranja potrebno je formirati ne samo same dizajnerske odluke, već i motive za njihovo donošenje. Dakle, u projektantskim zadacima su usko povezana dva glavna procesa, koja se izvode u okviru odgovarajućeg ES: proces zaključivanja rješenja i proces objašnjenja.
• Predviđanje... Predviđanje vam omogućava da predvidite posljedice određenih događaja ili pojava na osnovu analize dostupnih podataka. Prediktivni sistemi logički zaključuju vjerovatne posljedice iz datih situacija. U prediktivnom sistemu obično se koristi parametarski dinamički model, u kojem se vrijednosti parametara "uklapaju" u datu situaciju. Posljedice izvedene iz ovog modela čine osnovu za predviđanja sa vjerovatnoćama.
• Planiranje... Planiranje se odnosi na pronalaženje akcionih planova koji se odnose na objekte koji su sposobni da obavljaju neke funkcije. U takvim ES koriste se modeli ponašanja stvarnih objekata kako bi se logički zaključile posljedice planirane aktivnosti.
• Obrazovanje... Učenje se odnosi na upotrebu kompjutera za podučavanje discipline ili predmeta. Sistemi učenja dijagnosticiraju greške u proučavanju discipline koristeći kompjuter i predlažu prave odluke. Akumuliraju znanje o hipotetičkom „učeniku“ i njegovim karakterističnim greškama, zatim u svom radu umeju da dijagnostikuju slabosti u znanju učenika i pronađu odgovarajuća sredstva za njihovo otklanjanje. Osim toga, planiraju čin komunikacije sa učenikom, u zavisnosti od napretka učenika, radi prenošenja znanja.
• Kontrola... Menadžment se shvata kao funkcija organizovanog sistema koji podržava određeni način aktivnosti. ES ove vrste kontrolišu ponašanje složenih sistema u skladu sa datim specifikacijama.
• Podrška odlučivanju... Podrška donošenju odluka je skup procedura koje donosiocu odluka daju potrebne informacije i smjernice za olakšavanje procesa donošenja odluka. Ovi ES pomažu stručnjacima da izaberu i/ili formiraju željenu alternativu među raznim izborima prilikom donošenja odgovornih odluka.

Općenito, svi sistemi zasnovani na znanju mogu se podijeliti na sisteme koji rješavaju probleme analize i sisteme koji rješavaju probleme sinteze. Glavna razlika između problema analize i problema sinteze je da ako se u problemima analize skup rješenja može navesti i uključiti u sistem, onda je u problemima sinteze skup rješenja potencijalno neograničen i izgrađen je od rješenja komponenti ili podproblema . Zadaci analize su: interpretacija podataka, dijagnostika, podrška odlučivanju; zadaci sinteze uključuju dizajn, planiranje, upravljanje. Kombinirano: obuka, praćenje, predviđanje.

vidi takođe

Linkovi

• Udruženje za umjetnu inteligenciju na internetu alicebot.org

Wikimedia fondacija. 2010.

Pogledajte šta je "Inteligentni informacioni sistem" u drugim rečnicima:

- (IIT) (engleski Intellectual information technology, IIT) je informatička tehnologija koja pomaže osobi da ubrza analizu političke, ekonomske, društvene i tehničke situacije, kao i sintezu upravljačkih odluka. U isto vrijeme ... ... Wikipedia

inteligentni sistemi- INTELEKTUALNI SISTEMI (od latinskog intellectus um, razum) kompjuterski sistemi koji implementiraju neke od karakteristika ljudske inteligencije, omogućavajući savladavanje teških zadataka čije rješavanje vrši osoba u realnom vremenu ... ... Enciklopedija epistemologije i filozofije nauke

- (IT, od engleskog informaciona tehnologija, IT) široka klasa disciplina i oblasti aktivnosti koje se odnose na tehnologije za upravljanje i obradu podataka, uključujući upotrebu računarske tehnologije. Nedavno, pod informacijom ... ... Wikipedia

Institut za automatizaciju i kompjutersko inženjerstvo Moskovskog energetskog instituta (Tehnički univerzitet) ... Wikipedia

Moskovski državni univerzitet za instrumentaciju i informatiku (MGUPI) Osnovan 1936. rektor ... Wikipedia

Moskovski državni univerzitet za instrumentaciju i informatiku (MGUPI) Osnovan 1936. rektor ... Wikipedia

Moskovski državni univerzitet za instrumentaciju i informatiku (MGUPI) Osnovan 1936. rektor ... Wikipedia

Odlučivanje o radnjama ili ponašanju u datoj situaciji bilo kojeg subjekta (ljudi, roboti, složeni sistemi upravljanja) vrši se na osnovu informacionih procesa. Informacioni proces implementira odnos između objekta i subjekta (slika 1.1) i predstavlja subjektovu percepciju objektivne stvarnosti u obliku podataka, obradu ovih podataka u skladu sa ciljnim postavljanjem i dostupnim saznanjima o zavisnostima činjenice u informacije.

Na osnovu primljenih informacija ažurira se znanje o subjektu, donosi se odluka o mogućoj promjeni stanja objekta i ciljne postavke subjekta. Dakle, informacioni proces se razmatra u tri aspekta:

Sintaksički aspekt je prikaz objektivne stvarnosti u bilo kojoj sredini i na bilo kom jeziku, a to su podaci.

Semantički aspekt je razumijevanje i interpretacija podataka zasnovanih na znanju subjekta, koji odražavaju zavisnosti, obrasce interakcije između objekata.

Pragmatički aspekt je procena korisnosti stečenog novog znanja (prirast znanja) subjekta u skladu sa ciljnom postavkom za donošenje odluke, odnosno dobijanje informacija u užem smislu.

U širem smislu, informacija se shvata kao sva tri aspekta refleksije informacionog procesa.

Svaki kompjuterski informacioni sistem (IS) koji implementira informacijski proces obavlja sljedeće funkcije: percipira zahtjeve za informacijama koje unese korisnik (ciljevi rješavanja problema) i potrebne početne podatke, obrađuje podatke unesene i pohranjene u sistemu u skladu sa poznati algoritam i generiše potrebne izlazne informacije. Sa stanovišta implementacije navedenih funkcija, IS se može smatrati tvornicom koja proizvodi informacije, u kojoj je narudžba zahtjev za informacijom, sirovina je početni podatak, proizvod je tražena informacija i alat (oprema) je znanje, uz pomoć kojeg se podaci pretvaraju u informacije.

Znanja o subjektima informacionog procesa mogu se predstaviti u različitim oblicima. Kod ljudi je znanje predstavljeno ili u nedokumentiranom (implicitnom, direktno u glavi) obliku, ili u dokumentiranom (eksplicitnom, knjižnom) obliku. Štaviše, dokumentovani tekstualni oblik predstavljanja znanja u obliku udžbenika, pravilnika, uputstava itd. nije pogodan za brzo izvlačenje potrebnog znanja prilikom opravdavanja konkretnih odluka. Implicitno znanje stručnjaka je općenito teško dostupno za korištenje u rješavanju problema od strane drugih stručnjaka.

Računalni informacioni sistemi, kao subjekti informacionog procesa, dizajnirani su da pojednostave proces korišćenja znanja u rešavanju problema donošenja odluka. Za to znanje mora biti strukturirano i zapamćeno za kasniju ponovnu upotrebu.

Znanje ima dvojaku prirodu: činjenično i operativno:

Činjenično znanje predstavlja poznate informacije o objektima reflektovane stvarnosti i akumulira se u običnim bazama podataka.

Operativno znanje odražava zavisnosti i odnose između objekata koji vam omogućavaju da interpretirate podatke ili izvučete informacije iz njih. Operativno znanje se predstavlja ili u algoritamskom obliku ili u deklarativnom obliku u obliku posebnih strukturiranih baza znanja.

Često se činjenično znanje naziva ekstenzionalnim (detaljnim), a operativno znanje intenzivnim (generalizovanim).

Informacioni proces uz pomoć kompjuterskog informacionog sistema svodi se na adekvatnu kombinaciju operativnih i faktičkih znanja i u različitim tipovima IS se izvodi na različite načine. Najlakši način da ih povežete je unutar jedne aplikacije:

Dokument bez naslova

Dakle, operativno znanje (algoritam) i činjenično znanje (struktura podataka) su neodvojivi jedno od drugog. Međutim, ako tokom rada IS-a postane jasna potreba za izmjenom jedne od dvije komponente programa, tada će biti potrebe da se ona ponovo napiše. To je zbog činjenice da samo programer IS-a ima potpuno znanje o problematičnoj oblasti, a program služi kao "bezdušni izvršilac" znanja programera. Krajnji korisnik, zbog proceduralne i mašinske orijentacije predstavljanja znanja, razumije samo vanjsku stranu procesa obrade podataka i na nju ne može utjecati ni na koji način.

Posljedica ovih nedostataka je slaba održivost IS-a ili neprilagodljivost promjenama u potrebama za informacijama. Pored toga, zbog determinisanosti algoritama zadataka koji se rešavaju, IS nije u stanju da formira znanje korisnika o radnjama u nepotpuno definisanim situacijama. U sistemima baziranim na obradi baza podataka (DBS - Data Base Systems) stvarno i operativno znanje su odvojeno jedno od drugog. Prvi je organizovan u obliku baze podataka, drugi u obliku programa. Štaviše, program se može automatski generirati na zahtjev korisnika (na primjer, implementacija SQL ili QBE upita). Softverski alat za pristup podacima, sistem za upravljanje bazom podataka (DBMS), djeluje kao posrednik između programa i baze podataka:

Dokument bez naslova

SDB = Program<=>DBMS<=>Baza podataka

Koncept nezavisnosti programa od podataka omogućava povećanje fleksibilnosti IS-a za izvršavanje proizvoljnih zahtjeva za informacijama. Međutim, ova fleksibilnost, zbog proceduralnog prikaza operativnog znanja, ima dobro definisane granice. Da bi formulisao zahtjev za informacijama, korisnik mora jasno razumjeti strukturu baze podataka i, u određenoj mjeri, algoritam za rješavanje problema. Shodno tome, korisnik mora imati dovoljno dobro razumijevanje problematične oblasti, logičke strukture baze podataka i algoritma programa. Konceptualna shema baze podataka djeluje uglavnom samo kao posrednik u procesu mapiranja logičke strukture podataka u strukturu podataka aplikacijskog programa.

Opšti nedostaci tradicionalnih informacionih sistema, koji uključuju sisteme prva dva tipa, su slaba prilagodljivost promenama u predmetnoj oblasti i informacionim potrebama korisnika, u nemogućnosti rešavanja loše formalizovanih zadataka sa kojima se menadžerski radnici stalno bave. Navedeni nedostaci su otklonjeni u inteligentni informacioni sistemi (IIS).

Analiza strukture programa pokazuje mogućnost izdvajanja operativnih znanja (pravila transformacije podataka) iz programa u tzv. bazu znanja, koja u deklarativnom obliku pohranjuje jedinice znanja uobičajene za različite zadatke. U ovom slučaju kontrolna struktura poprima karakter univerzalnog mehanizma za rješavanje problema (mehanizam zaključivanja), koji povezuje jedinice znanja u izvršne lance (generisane algoritme), u zavisnosti od specifične formulacije problema (formulisanog u zahtjevu za cilj i početni uslovi). Takvi IS postaju sistemi zasnovani na obradi znanja (KBZ - Knowledge Base (Based) Systems):

Dokument bez naslova

Sljedeći korak u razvoju inteligentnih informacionih sistema je izdvajanje u samostalni podsistem ili repozitorijum meta-znanja, koji opisuje strukturu operativnog i činjeničnog znanja i odražava model problematične oblasti. U takvim sistemima, i programi i strukture podataka se generišu ili sklapaju iz jedinica znanja opisanih u spremištu, svaki put kada se promeni model problematične oblasti. IIS, procesiranje meta-znanja, nazvaćemo sisteme zasnovane na modelima (SBM - Model Based Systems):

Dokument bez naslova

Za inteligentne informacione sisteme fokusirane na generisanje algoritama za rešavanje problema karakteristične su sledeće karakteristike:

Razvijene komunikacijske vještine,

Sposobnost rješavanja složenih loše formaliziranih problema,

Sposobnost samoučenja,

Responsiveness.

IIS komunikacijske vještine karakterišu način interakcije (interfejsa) krajnjeg korisnika sa sistemom, posebno sposobnost formulisanja proizvoljnog zahteva u dijalogu sa IMS-om na jeziku koji je što je moguće bliži prirodnom.

Složeni, loše formalizovani zadaci- to su zadaci koji zahtijevaju izgradnju originalnog algoritma rješenja, ovisno o konkretnoj situaciji, koju može karakterizirati nesigurnost i dinamizam početnih podataka i znanja.

Sposobnost samoučenja je sposobnost automatskog izvlačenja znanja za rješavanje problema iz akumuliranog iskustva specifičnih situacija.

Prilagodljivost- sposobnost razvoja sistema u skladu sa objektivnim promjenama u modelu problematične oblasti.

U različitim IIS-ima navedeni znaci intelektualnosti su razvijeni u nejednakom stepenu i retko kada se sva četiri znaka realizuju istovremeno. Konvencionalno, svaki od znakova inteligencije ima svoju IIS klasu (slika 1.2):

Inteligentni sustavi sučelja;

Ekspertni sistemi;

Sistemi za samoučenje;

Adaptivni sistemi.

Sva četiri znaka inteligencije su, u jednom ili drugom stepenu, implementirana u sisteme upravljanja znanjem.

Inteligentne baze podataka razlikuju se od konvencionalnih baza podataka po mogućnosti preuzimanja potrebnih informacija na zahtjev, koje možda neće biti eksplicitno pohranjene, već se izvode iz informacija dostupnih u bazi podataka. Implicitne informacije se prikazuju tumačenjem sljedećih zavisnosti:

Računske zavisnosti atributa, na primjer, "prikaži listu proizvoda čija je cijena viša od prosjeka industrije",

Strukturni odnosi objekata, na primjer, "prikaži listu zamjenskih proizvoda za neke proizvode",

Logičke zavisnosti faktora donošenja odluka, na primjer, „prikazuju listu potencijalnih kupaca određenog proizvoda“.

Da biste ispunili prvi tip upita, prvo morate izvršiti statističku kalkulaciju prosječne industrijske cijene za cijelu bazu podataka, a tek nakon toga stvarni odabir podataka.

Da biste izvršili drugu vrstu upita, morate prikazati vrijednosti karakterističnih karakteristika objekta, a zatim pretražiti slične objekte koristeći ih.

Treći tip upita zahtijeva da prvo identificirate listu preprodavača koji prodaju datu stavku, a zatim potražite povezane kupce.

U svim navedenim tipovima upita potrebno je pretraživati ​​po uslovu, koji se mora dalje definisati u toku rešavanja problema. Inteligentni sistem, bez pomoći korisnika, gradi putanju pristupa datotekama podataka na osnovu strukture baze podataka. Formulacija zahtjeva se provodi u dijalogu s korisnikom, čiji se slijed koraka izvodi u najprikladnijem obliku za korisnika. Upit baze podataka se također može formulirati korištenjem sučelja prirodnog jezika.

Sučelje prirodnog jezika uključuje prevođenje konstrukcija prirodnog jezika na nivo predstavljanja znanja u mašini. Za to je potrebno riješiti probleme morfološke, sintaktičke i semantičke analize i sinteze iskaza u prirodnom jeziku. Dakle, morfološka analiza uključuje prepoznavanje i provjeru pravopisa riječi u rječnicima, sintaksičku kontrolu - dekompoziciju ulaznih poruka na zasebne komponente (određivanje strukture) uz provjeru usklađenosti s gramatičkim pravilima internog predstavljanja znanja i identifikaciju dijelova koji nedostaju i , konačno, semantička analiza – utvrđivanje semantičke ispravnosti sintaksičkih dizajna. Sinteza iskaza rješava inverzni problem transformacije unutrašnjeg prikaza informacija u prirodni jezik.

Sučelje prirodnog jezika se koristi za:

Pristup inteligentnim bazama podataka;

Kontekstualno pretraživanje informacija o dokumentarnom tekstu;

Mašinsko prevođenje sa stranih jezika.

Hipertekstualni sistemi dizajnirani su za implementaciju pretraživanja po ključnim riječima u tekstualnim informacionim bazama. Inteligentni hipertekstualni sistemi odlikuju se mogućnošću složenije semantičke organizacije ključnih riječi, koja odražava različite semantičke odnose pojmova. Dakle, pretraživač radi prvenstveno sa bazom znanja ključnih reči, a tek onda direktno sa tekstom. U širem smislu, navedeno se odnosi na traženje multimedijalnih informacija koje osim tekstualnih i digitalnih informacija obuhvataju grafičke, audio i video slike.

Kontekstualni sistemi pomoći može se smatrati posebnim slučajem sistema inteligentnog hiperteksta i prirodnog jezika. Za razliku od konvencionalnih sistema pomoći, koji korisniku nameću šemu traženja traženih informacija, u kontekstualnim sistemima pomoći korisnik opisuje problem (situaciju), a sistem ga, uz pomoć dodatnog dijaloga, specificira i sam pretražuje. za preporuke vezane za situaciju. Takvi sistemi spadaju u klasu sistema za objavljivanje znanja i kreiraju se kao prilog dokumentacionim sistemima (npr. tehnička dokumentacija za rad robe).

Kognitivni grafički sistemi omogućavaju implementaciju korisničkog interfejsa sa IMS-om koristeći grafičke slike koje se generišu u skladu sa događajima koji se dešavaju. Takvi sistemi se koriste za praćenje i upravljanje operativnim procesima. Grafičke slike u vizuelnom i integrisanom obliku opisuju mnoge parametre proučavane situacije. Na primjer, stanje složenog kontroliranog objekta prikazano je u obliku ljudskog lica, u kojem je svaka karakteristika odgovorna za neki parametar, a opći izraz lica daje integrirani opis situacije.

Kognitivni grafički sistemi se takođe široko koriste u sistemima nastave i obuke koji se zasnivaju na korišćenju principa virtuelne stvarnosti, kada grafičke slike simuliraju situacije u kojima učenik treba da donese odluke i izvrši određene radnje.

Imenovanje ekspertskih sistema sastoji se u rješavanju problema koji su stručnjacima prilično teški na osnovu akumulirane baze znanja koja odražava iskustvo stručnjaka u problematičnoj oblasti koja se razmatra. Prednost korištenja ekspertnih sistema je u mogućnosti donošenja odluka u jedinstvenim situacijama za koje algoritam nije unaprijed poznat i formira se od početnih podataka u obliku lanca rasuđivanja (pravila odlučivanja) iz baze znanja. . Štaviše, rešavanje problema bi trebalo da se sprovodi u uslovima nekompletnosti, nepouzdanosti, dvosmislenosti početnih informacija i kvalitativnih procena procesa.

Ekspertski sistem je alat koji unapređuje intelektualne sposobnosti stručnjaka, a može obavljati sljedeće uloge:

Konsultant za neiskusne ili neprofesionalne korisnike;

Asistent zbog potrebe za stručnjakom za analizu različitih opcija donošenja odluka;

Stručni partner za pitanja vezana za izvore znanja iz srodnih oblasti djelovanja.

Ekspertski sistemi se koriste u mnogim oblastima, među kojima je segment aplikacija u poslovanju vodeći (slika 1.3).

Ekspertna arhitektura sistema uključuje dvije glavne komponente: bazu znanja (skladištenje jedinica znanja) i softverski alat za pristup i obradu znanja, koji se sastoji od mehanizama za donošenje zaključaka (odluka), sticanje znanja, objašnjenje dobijenih rezultata i inteligentni interfejs (slika 1.4) . Štaviše, centralna komponenta ekspertnog sistema je baza znanja, koja u odnosu na ostale komponente deluje kao smisleni podsistem koji čini glavnu vrednost. Procjenjuje se „know-how“ baze znanja dobrog ekspertnog sistema stotine hiljada dolara, dok je komplet softverskih alata unutra hiljade ili desetine hiljada dolara.

Baza znanja je skup jedinica znanja koje predstavljaju odraz objekata problematičnog područja i njihovih međusobnih odnosa, djelovanja na objekte i, eventualno, neizvjesnosti s kojima se te radnje izvode, formaliziranih uz pomoć neke metode predstavljanja znanja.

Kao metode za predstavljanje znanja najčešće se koriste ili pravila, ili objekti (okviri), ili njihova kombinacija. Dakle, pravila su konstrukcije:

Dokument bez naslova

Faktori izvjesnosti (CF) su obično ili uslovne vjerovatnoće Bayesovog pristupa (od 0 do 1) ili koeficijenti povjerenja fuzzy logike (od 0 do 100). Primjeri pravila su sljedeći:

Dokument bez naslova

Okviri su skup atributa koji opisuju svojstva i odnose s drugim okvirima. Za razliku od zapisa baze podataka, svaki okvir ima jedinstveno ime. Neki od atributa odražavaju tipizirane odnose, kao što su "vrsta - vrsta" (super-klasa - pod-klasa), "cijeli broj - dio" itd. Umjesto specifičnih vrijednosti atributa objekta, mogu se postaviti zadane vrijednosti (indikator nasljeđivanja atributa je postavljen na S), svojstven cijelim klasama objekata ili pridruženim procedurama (procesima). Primjer okvira prikazan je na sl. 1.5.

Inteligentni interfejs. Razmjenu podataka između krajnjeg korisnika i ES-a obavlja program inteligentnog sučelja koji percipira poruke korisnika i pretvara ih u oblik reprezentacije baze znanja i, obrnuto, pretvara internu reprezentaciju rezultata obrade u korisnički format. i šalje poruku na traženi medij. Najvažniji uslov za organizaciju dijaloga korisnika sa ES je prirodnost, što doslovno ne znači formulisanje potreba korisnika rečenicama prirodnog jezika, iako to u velikom broju slučajeva nije isključeno. Važno je da redoslijed rješavanja problema bude fleksibilan, u skladu sa percepcijom korisnika i sproveden u profesionalnom smislu.

Mehanizam za povlačenje. Ovaj softverski alat prima zahtjev pretvoren u internu reprezentaciju iz inteligentnog interfejsa, formira specifičan algoritam za rješavanje problema iz baze znanja, izvršava algoritam, a rezultirajući rezultat se predstavlja inteligentnom sučelju kako bi odgovorio na zahtjev korisnika.

Upotreba bilo kojeg mehanizma zaključivanja zasniva se na procesu pronalaženja, u skladu sa ciljem i opisom konkretne situacije (početni podaci), jedinica znanja (pravila, objekata, presedana itd.) koje se odnose na rješenje i povezivanje ih, ako je potrebno, u lanac rasuđivanja koji vodi do određenog rezultata.

Za predstavljanje znanja u obliku pravila, ovo može biti direktan (slika 1.6) ili obrnuti (slika 1.7) lanac zaključivanja.

Za okvirnu (objektno orijentiranu) reprezentaciju znanja karakteristična je upotreba mehanizma nasljeđivanja atributa, kada se vrijednosti atributa prenose duž hijerarhije od klasa višeg nivoa do klasa nižeg nivoa (na primjer, na sl. 1.5, šifra industrije, omjer profitabilnosti industrije). Također, kada se atributi okvira popune potrebnim podacima, priložene procedure se pokreću za izvršenje.

Mehanizam objašnjenja. U procesu ili kao rezultat rješavanja problema korisnik može zatražiti objašnjenje ili opravdanje napretka rješenja. U tu svrhu, ES mora obezbijediti odgovarajući mehanizam objašnjenja. Objašnjavajuće sposobnosti ES-a određene su sposobnošću mehanizma zaključivanja da zapamti način rješavanja problema. Zatim na pitanja korisnika "Kako?" i zašto?" ako se dobije rješenje ili se traže određeni podaci, sistem uvijek može izdati lanac obrazloženja na traženu kontrolnu tačku, uz davanje objašnjenja sa unaprijed pripremljenim komentarima. U nedostatku rješenja problema, korisniku treba automatski dati objašnjenje. Korisno je imati mogućnost hipotetičkog objašnjenja rješenja problema, kada sistem odgovara na pitanja šta će se dogoditi u jednom ili drugom slučaju.

Međutim, korisnik možda nije uvijek zainteresiran za kompletan izlaz rješenja, koji sadrži mnogo nepotrebnih detalja. U tom slučaju, sistem bi trebao biti u mogućnosti da odabere samo ključne tačke iz lanca, uzimajući u obzir njihovu važnost i nivo znanja korisnika. Da bi se to postiglo, baza znanja treba da održava model znanja i namjera korisnika. Ako korisnik i dalje ne razumije primljeni odgovor, tada bi sistem trebao biti u mogućnosti da nauči korisnika određenim fragmentima znanja u dijalogu na osnovu podržanog modela problemskog znanja, tj. da se detaljnije otkriju pojedinačni koncepti i zavisnosti, čak i ako ti detalji nisu direktno korišteni u izlazu.

Mehanizam sticanja znanja. Baza znanja odražava znanje stručnjaka (specijalista) u datom problemskom području o postupanju u različitim situacijama ili procesima rješavanja tipičnih problema. Identifikacija takvih znanja i njihovo naknadno predstavljanje u bazi znanja vrše stručnjaci tzv inženjeri znanja... Da bi uneo znanje u bazu podataka i potom je ažurirao, ES mora imati mehanizam za sticanje znanja. U najjednostavnijem slučaju, radi se o inteligentnom uređivaču koji vam omogućava da unesete jedinice znanja u bazu i izvršite njihovu sintaksičku i semantičku kontrolu, na primjer, radi dosljednosti. U složenijim slučajevima, mehanizam sticanja znanja vam omogućava da izvučete znanje kao rezultat korištenja posebnih scenarija za intervjuisanje stručnjaka, ili iz ulaznih primjera stvarnih situacija, kao u slučaju induktivnog zaključivanja, ili iz tekstova, ili iz iskustva samog intelektualnog sistema.

Klase ekspertnih sistema. Prema stepenu složenosti zadataka koji se rješavaju, ekspertni sistemi se mogu klasificirati na sljedeći način:

Po načinu formiranja odluke ekspertni sistemi su podeljeni u dve klase: analitički i sintetički... Analitički sistemi podrazumevaju izbor rešenja iz skupa poznatih alternativa (određivanje karakteristika objekata), a sintetički sistemi - generisanje nepoznatih rešenja (formiranje objekata).

Metodom obračuna privremenog indikatora ekspertni sistemi mogu biti statički ili dinamičan... Statički sistemi rešavaju probleme sa nepromenjenim podacima i znanjem u procesu rešavanja, dinamički sistemi dozvoljavaju takve promene. Statički sistemi sprovode monotono neprekidno rešavanje problema od unosa početnih podataka do konačnog rezultata, dinamički sistemi daju mogućnost revizije u procesu rešavanja prethodno dobijenih rezultata i podataka.

Po vrstama korištenih podataka i znanja ekspertni sistemi se klasifikuju u sisteme sa deterministički(dobro definisano) znanje i neizvjesno znanje. Nesigurnost znanja (podataka) podrazumijeva se kao njihova nepotpunost (odsustvo), nepouzdanost (netačnost mjerenja), dvosmislenost (dvosmislenost pojmova), nejasnost (kvalitativna procjena umjesto kvantitativne).

Po broju korišćenih izvora znanja ekspertni sistemi se mogu izgraditi koristeći jedan ili mnoštvo izvori znanja. Izvori znanja mogu biti alternativni (mnogi svjetovi) ili komplementarni (sarađuju).

U skladu sa navedenim karakteristikama klasifikacije, po pravilu se izdvajaju sledeće četiri glavne klase ekspertskih sistema (slika 1.8)

Klasifikacija ekspertnih sistema. Analitički zadaci prvenstveno obuhvataju zadatke prepoznavanja različitih situacija, kada se suština određene situacije otkriva skupom datih atributa (faktora), u zavisnosti od kojih se bira određeni redosled radnji. Tako se, u skladu sa početnim uslovima, među alternativnim rešenjima nađe jedno koje najbolje zadovoljava cilj i ograničenja.

Ekspertni sistemi koji rješavaju probleme prepoznavanja situacija nazivaju se klasifikacionim sistemima, jer određuju pripadnost analizirane situacije određenoj klasi. Kao glavni metod donošenja odluka koristi se metoda logičkog deduktivnog zaključivanja od opšteg ka posebnom, kada se određeni zaključak dobije supstitucijom početnih podataka u određeni skup međusobno povezanih opštih iskaza.

Redefiniranje ekspertnih sistema. Složeniji tip analitičkog problema je onaj koji se rješava na osnovu nesigurnih početnih podataka i primijenjenog znanja. Ekspertni sistem bi u ovom slučaju trebao, takoreći, redefinirati nedostajuća znanja, a u prostoru rješenja može se dobiti nekoliko mogućih rješenja sa različitom vjerovatnoćom ili povjerenjem u potrebu njihove implementacije. Bayesian probabilistički pristup, koeficijenti povjerenja, fuzzy logika mogu se koristiti kao metode za rješavanje nesigurnosti. Dodatno definiranje ekspertnih sistema može koristiti nekoliko izvora znanja za formiranje rješenja. U ovom slučaju mogu se koristiti heurističke metode odabira jedinica znanja iz njihovog konfliktnog skupa, na primjer, na temelju korištenja prioriteta prioriteta, ili dobivenog stupnja sigurnosti rezultata, ili vrijednosti funkcija preferencija itd.

Za analitičke zadatke klasifikacionog i redefinacionog tipa karakteristično je sledeće problematična područja:

Interpretiranje podataka- izbor rješenja iz fiksnog skupa alternativa na osnovu unesenih informacija o trenutnoj situaciji. Glavna svrha je da se utvrdi suština situacije koja se razmatra, izbor hipoteza na osnovu njihovih činjenica. Tipičan primjer je ekspertski sistem za analizu finansijskog stanja preduzeća.

Dijagnostika- utvrđivanje razloga koji su doveli do nastanka situacije. Potrebno je prethodno tumačenje situacije, nakon čega slijedi provjera dodatnih činjenica, na primjer, identifikacija faktora koji smanjuju efikasnost proizvodnje.

Ispravka- dijagnostika, dopunjena mogućnošću procjene i preporuke radnji za ispravljanje odstupanja od normalnog stanja razmatranih situacija.

Transformacija ekspertnih sistema. Za razliku od analitičkih statičkih ekspertnih sistema, sintetizacija dinamičkih ekspertnih sistema podrazumeva repetitivnu transformaciju znanja u procesu rešavanja problema, što je povezano sa prirodom rezultata koji se ne može unapred odrediti, kao i sa dinamikom procesa. sama problematična oblast.

Kao metode za rješavanje problema u transformaciji ekspertnih sistema koriste se varijante hipotetičkog zaključivanja:

Generisanje i testiranje, kada se generišu hipoteze prema početnim podacima, a zatim se formulisane hipoteze testiraju na potvrdu pristiglim činjenicama;

Pretpostavke i zadane vrednosti, kada se na osnovu nepotpunih podataka biraju znanja o sličnim klasama objekata, koji se zatim dinamički prilagođavaju specifičnoj situaciji u zavisnosti od njenog razvoja;

Upotreba opštih obrazaca (meta-kontrola) u slučaju nepoznatih situacija, omogućavajući generisanje znanja koje nedostaje.

Sistemi sa više agenata. Ovakve dinamičke sisteme karakteriše distribuirano rešavanje problema od strane nekoliko softverskih agenata, od kojih svaki ima svoju bazu znanja i mehanizam zaključivanja. Softverski agenti, po pravilu, izvršavaju instrukcije ljudi, subjekata rješavanja problema, iu tom smislu se zamjenjuju. Istovremeno reaguju na događaje u vanjskom okruženju (reaktivni agensi), obrađuju situacije, donose odluke, prenose rezultate rješavanja problema korisnicima i vanjskom okruženju. Najinteligentniji (kognitivni) agenti su sposobni naučiti i promijeniti pravila svog ponašanja.

Zajedničkim rješavanjem problema od strane više softverskih agenata formiraju se multiagentski sistemi (MAC) sa centraliziranom ili decentraliziranom kontrolom. U prvom slučaju, MAC mora imati najmanje jednog agenta, koji djeluje kao koordinator (dispečer), planira i kontroliše implementaciju procesa. U drugom slučaju, svi agenti su nezavisni u svom ponašanju. Integracija rada softverskih agenata i odgovarajućih izvora znanja odvija se na dinamičkoj osnovi razmjenom rezultata između njih, na primjer, putem "objave" (sl. 1.9).

Sljedeće karakteristike su karakteristične za sisteme sa više agenata:

Sprovođenje alternativnog zaključivanja zasnovanog na korišćenju različitih izvora znanja sa mehanizmom za otklanjanje kontradiktornosti;

Distribuirano rješavanje problema, koji su podijeljeni na paralelno rješavane podprobleme koji odgovaraju nezavisnim izvorima znanja;

Upotreba mnogih strategija za rad motora zaključivanja, ovisno o vrsti problema koji se rješava;

Obrada velikih količina podataka sadržanih u bazi podataka, te mogućnost samoučenja, mijenjanje pravila ponašanja agenata;

Upotreba različitih matematičkih modela i eksternih procedura pohranjenih u bazi modela;

Mogućnost prekida rješavanja problema zbog potrebe pribavljanja dodatnih podataka i znanja od korisnika, modela i paralelnih podproblema koje treba riješiti.

Za sintetizaciju dinamičkih ekspertnih sistema najprimenljiviji su sledeći problematična područja:

Dizajn- definisanje konfiguracije objekata u smislu postizanja specificiranih kriterijuma performansi i ograničenja, na primer, dizajniranje budžeta preduzeća, investicionog portfelja, konfiguracije proizvoda u e-trgovini.

Predviđanje- predviđanje posljedica razvoja trenutnih situacija na osnovu matematičkog i heurističkog modeliranja, na primjer, predviđanje trendova u berzanskom trgovanju.

Planiranje- izbor redosleda radnji korisnika za postizanje postavljenog cilja, na primer, planiranje lanaca snabdevanja proizvodima (upravljanje lancem snabdevanja).

Otpremanje- raspodjela posla u vremenu, zakazivanje, na primjer, zakazivanje tokova posla (workflow).

Monitoring- praćenje trenutne situacije sa mogućom naknadnom korekcijom. Za to se provode dijagnostika, predviđanje i, ako je potrebno, planiranje i ispravljanje radnji korisnika, na primjer, praćenje prodaje gotovih proizvoda.

Kontrola- praćenje, dopunjeno implementacijom radnji u automatskim sistemima, na primjer, donošenje odluka u trgovanju na berzi.

Prema publikaciji, koja analizira 12.500 operativnih ekspertskih sistema, distribucija ekspertskih sistema po problemskim oblastima je sledeća (slika 1.10):

Sistemi za samoučenje zasnovani su na metodama automatske klasifikacije primjera situacija iz stvarnog života (učenje na primjeru). Primjeri stvarnih situacija akumuliraju se tokom određenog istorijskog perioda i iznose uzorak za obuku... Ovi primjeri su opisani raznim karakteristikama klasifikacije. Štaviše, uzorak obuke može biti:

„S nastavnikom“, kada je za svaki primjer eksplicitno postavljena vrijednost atributa njegove pripadnosti određenoj klasi situacija (klasoformirajući atribut);

„Bez nastavnika“, kada sam sistem identifikuje klase situacija na osnovu stepena bliskosti vrednosti klasifikacionih karakteristika.

Kao rezultat obuke sistema, automatski se konstruišu generalizovana pravila ili funkcije koje određuju pripadnost situacija klasama koje obučeni sistem koristi kada tumači nove situacije koje nastaju. Tako se automatski generiše baza znanja koja se koristi u rešavanju problema klasifikacije i predviđanja. Ova baza znanja se periodično automatski prilagođava kako se iskustvo stječe iz stvarnih situacija, što vam omogućava da smanjite troškove kreiranja i ažuriranja.

Uobičajeni nedostaci koji su zajednički svim sistemima za samoučenje su sljedeći:

Moguća je nepotpunost i/ili bučnost (redundantnost) uzorka za obuku i, kao posljedica toga, relativna adekvatnost baze znanja problemima koji se pojavljuju;

Postoje problemi povezani sa slabom semantičkom jasnoćom zavisnosti karakteristika i, kao posledica toga, nemogućnošću da se objasne rezultati korisnicima;

Ograničenja u dimenziji prostora karakteristika uzrokuju plitak opis problematične oblasti i uski fokus primjene.

Induktivni sistemi. Generalizacija primjera po principu od posebnog ka opštem svodi se na identifikaciju podskupova primjera koji pripadaju istim potklasama, i definisanje značajnih karakteristika za njih.

Proces za klasifikaciju primjera je sljedeći:

1. Klasifikaciono obeležje se bira iz skupa datih (bilo uzastopno, ili prema nekom pravilu, na primer, u skladu sa maksimalnim brojem dobijenih podskupova primera);

2. Prema vrijednosti odabranog svojstva, skup primjera se dijeli na podskupove;

3. Provjerava se da li svaki rezultirajući podskup primjera pripada jednoj podklasi;

4. Ako podskup primjera pripada istoj podklasi, tj. svi primjeri podskupa imaju istu vrijednost karakteristike za formiranje klase, tada se proces klasifikacije završava (dok se preostale karakteristike klasifikacije ne uzimaju u obzir);

5. Za podskupove primjera s neusklađenom vrijednošću atributa za formiranje klase, proces klasifikacije se nastavlja od tačke 1. (Svaki podskup primjera postaje klasifikovani skup).

Proces klasifikacije može se predstaviti u obliku stabla odlučivanja, u kojem se vrijednosti atributa sekvencijalne klasifikacije nalaze u međučvorovima, a vrijednosti atributa pripadnosti određenoj klasi na krajnji čvorovi. Primjer izgradnje stabla odlučivanja na osnovu fragmenta tablice primjera (tabela 1.1) prikazan je na Sl. 1.11.

Tabela 1.1

Dokument bez naslova

Učionica sign	Klasifikacioni znakovi
		Konkurencija	Troškovi	Kvaliteta
		mala	mala
		mala
		mala
		mala	mala
		mala	mala
		mala

Analiza nove situacije svodi se na izbor grane stabla, što u potpunosti određuje ovu situaciju. Potraga za rješenjem se provodi kao rezultat uzastopne provjere klasifikacijskih karakteristika. Svaka grana stabla odgovara jednom pravilu odlučivanja:

Ako je potražnja = "niska" i cijena = "mala"
Ta cijena = "niska"

Primjeri alata koji podržavaju induktivno zaključivanje znanja su 1. Class (Programs in Motion), Rulemaster (Radian Corp.), ILIS (ArgusSoft), KAD (IPS Pereyaslavl-Zalessky).

Neuralne mreže. Kao rezultat učenja na primjerima, grade se matematičke funkcije odlučivanja (funkcije prijenosa ili aktivacijske funkcije) koje određuju ovisnosti između ulaznih (Xi) i izlaznih (Yj) karakteristika (signala) (slika 1.12).

Svaka takva funkcija, nazvana po analogiji s elementarnom jedinicom ljudskog mozga - neuronom, prikazuje ovisnost vrijednosti izlazne karakteristike (Y) o ponderiranoj sumi (U) vrijednosti ulaznih karakteristika (Xi ), u kojoj težina ulazne karakteristike (Wi) pokazuje stepen uticaja ulazne karakteristike na slobodan dan:

izbor "> sl. 1.13).

Neuroni se mogu međusobno povezati kada je izlaz jednog neurona ulaz drugog. Tako je izgrađena neuronska mreža (slika 1.14), u kojoj neuroni koji se nalaze na istom nivou formiraju slojeve.

Obuka neuronske mreže svodi se na određivanje veza (sinapsa) između neurona i uspostavljanje jačine tih veza (težinski koeficijenti). Algoritmi za obuku neuronske mreže su pojednostavljeni za određivanje zavisnosti težinskog koeficijenta veze dva neurona o broju primera koji potvrđuju ovu zavisnost.

Najčešći algoritam za učenje neuronske mreže je algoritam povratnog širenja greške. Funkcija cilja za ovaj algoritam treba osigurati da je kvadratna greška učenja minimizirana za sve primjere:

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

Prednost neuronskih mreža nad induktivnim zaključivanjem leži u rješavanju ne samo klasifikacijskih, već i prediktivnih problema. Mogućnost nelinearne prirode funkcionalne zavisnosti izlaznih i ulaznih karakteristika omogućava izgradnju preciznijih klasifikacija.

Sam proces rješavanja problema, zahvaljujući matričnim transformacijama, odvija se vrlo brzo. Zapravo, simulira se paralelni proces prolaska kroz neuronsku mrežu, za razliku od sekvencijalnog procesa u induktivnim sistemima. Neuronske mreže se također mogu implementirati u hardveru u obliku neuroračunara sa asocijativnom memorijom.

Nedavno su se neuronske mreže brzo razvile i vrlo se aktivno koriste u finansijskom polju. Primjeri implementacije neuronskih mreža uključuju:

"Prognostički sistem za dinamiku kurseva za Chemical Bank" (firma Logica);

Sistem prognoze za Londonsku berzu (SearchSpace);

Upravljanje investicijama za Mellon banku (firma NeuralWare) itd.

Kao alate za razvoj neuronskih mreža treba izdvojiti alate NeuroSolution, Neural Works Professional II/Plus, Process Advisor, NeuroShell 2, BrainMaiker Pro, NeurOn-line itd.

Sistemi zasnovani na slučajevima(Razlogovanje zasnovano na slučaju). U ovim sistemima baza znanja ne sadrži opise generalizovanih situacija, već same stvarne situacije ili presedane. Tada se potraga za rješenjem problema svodi na traženje po analogiji (zaključivanje od posebnog do posebnog):

1. Dobijanje detaljnih informacija o trenutnom problemu;

2. Poređenje primljenih informacija sa vrijednostima precedentnih atributa iz baze znanja;

3. Odabir presedana iz baze znanja koji je najbliži problemu koji se razmatra;

4. Ako je potrebno, odabrani presedan se prilagođava aktuelnom problemu;

5. Provjera ispravnosti svakog dobijenog rješenja;

6. Unošenje detaljnih informacija o primljenom rješenju u bazu znanja.

Kao i za induktivne sisteme, presedani su opisani skupom karakteristika koje se koriste za izgradnju indeksa brze pretrage. Ali za razliku od induktivnih sistema, dozvoljeno je pretraživanje sa skupom izvodljivih alternativa, od kojih je svaka procijenjena određenom mjerom sličnosti sa analiziranom situacijom. Obično se kao mjera sličnosti dva presedana uzima funkcija ponderisane sume vrijednosti podudarnih karakteristika presedana normaliziranih na određenoj zajedničkoj relativnoj skali. Formalno, potpuna sličnost SIM-a između presedana A i B, opisana p karakteristikama, može se izraziti:

formula "src =" http://hi-edu.ru/e-books/xbook717/files/f12.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:- lokalna sličnost (odstupanje) vrijednosti i-te karakteristike dva presedana A i B, normalizirana na skali

Sljedeće funkcije se mogu koristiti kao funkcije potpune sličnosti F:

formula "src =" http://hi-edu.ru/e-books/xbook717/files/f14.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:- Minkowski

formula "src =" http://hi-edu.ru/e-books/xbook717/files/f16.gif "border =" 0 "align =" absmiddle "alt =" (! LANG:- Maksimum

gdje je p> 0, primjer "> p je broj karakteristika, formula" src = "http://hi-edu.ru/e-books/xbook717/files/f18.gif" border = "0" align = "absmiddle" alt = "(! LANG: = 1.

Nadalje, najpogodnija rješenja se prilagođavaju prema posebnim algoritmima stvarnim situacijama. Metode adaptacije su uglavnom korištene metode ponovnog specificiranja varijabli, specificiranja parametara, zamjene nekih komponenti rješenja drugim. Obuka sistema se svodi na pamćenje svake nove obrađene situacije sa odlukama donetim na osnovu presedana.

Najpoznatiji alati za razvoj aplikacija koji koriste pretragu slučajeva su: CBR-Express (Inference), REMIND (Kognitivni sistemi), ReCall (Isoft SA), KATE alati (Acknosoft), Pattern Recognition Workbench (Unica), itd. možete kreirati razne aplikacije za rješavanje problema dijagnostike, analize rizika, predviđanja, kontrole i učenja. Sistemi zasnovani na slučajevima koriste se kao poboljšani sistemi za širenje znanja ili kao kontekstualni sistemi pomoći. Na primjer, Dell linija za tehničku podršku u Dablinu koristi CBR-Express da pomogne osoblju centra da odgovori na više telefonskih upita. Zahvaljujući ovom sistemu, produktivnost 200 zaposlenih u centru povećana je na 3 hiljade poziva korisnika dnevno. Primjer takve konsultacije može biti sljedeći (slika 1.15).

Ekstrakcija znanja na osnovu skladišta informacija(Data mining baziran na skladištu podataka). Za razliku od inteligentne baze podataka, informacijsko skladište je spremište izdvojenih značajnih informacija iz operativnih baza podataka koje je prvenstveno namijenjeno za operativnu analizu podataka (implementacija OLAP tehnologije). Formulacija upita je rezultat upotrebe inteligentnog interfejsa koji omogućava da se u dijalogu fleksibilno definišu značajne karakteristike analize za proizvoljno grupisanje podataka. Najpoznatiji alati za podršku skladištenja informacija i OLAP tehnologija su alati kao što su statistički paket SAS aplikacija, specijalizovani programi Business Objects, Oracle Express, domaći softver PolyAnalyst, Kontur Standard itd.

Tipični zadaci operativne situacijske analize, koji se rješavaju na osnovu skladišta informacija, su:

Određivanje profila potrošača određenog proizvoda;

Predviđanje promjena tržišne situacije;

Analiza zavisnosti znakova situacija (korelacione analize) itd.

Za rješavanje navedenih problema potrebna je upotreba metoda za izvlačenje znanja iz baza podataka (Data Mining ili Knowledge Discovery), zasnovanih na korištenju metoda multivarijantne statističke analize, induktivnih metoda za konstrukciju stabala odlučivanja, neuronskih mreža i genetskih algoritama.

Razmotrimo suštinu primjene ranije nerazmatrane metode zasnovane na korištenju genetskih algoritama. Neka je potrebno odrediti skup ekonomskih pokazatelja koji najviše utiču na pozitivnu dinamiku tržišnog ponašanja. Tada se skup indikatora može smatrati skupom hromozoma koji određuju kvalitete pojedinca, odnosno rješenje problema. Vrijednosti indikatora koji određuju odluku, u ovom slučaju, odgovaraju genima.

Potraga za optimalnim rješenjem postavljenog problema slična je evoluciji populacije pojedinaca predstavljenih njihovim skupovima hromozoma. U ovoj evoluciji funkcionišu tri mehanizma: izbor najjačih - skupovi hromozoma, koji odgovaraju najoptimalnijim rešenjima; ukrštanje - proizvodnja novih jedinki miješanjem hromozomskih skupova odabranih jedinki; a mutacije su nasumične promjene gena kod nekih pojedinaca u populaciji. Kao rezultat smjene generacija, na kraju se razvija rješenje postavljenog problema koje se više ne može dalje poboljšavati.

Genetski algoritmi imaju nekoliko nedostataka. Kriterijum odabira hromozoma i sam postupak su heuristički i ne garantuju uvijek pronalaženje najboljeg rješenja. Kao iu stvarnom životu, evolucija se može zaustaviti na nekoj neproduktivnoj grani. S druge strane, mogu se pronaći primjeri kada su obećavajući nastavci isključeni iz evolucije genetskim algoritmom. To postaje posebno uočljivo kada se rješavaju problemi velikih dimenzija sa složenim unutrašnjim vezama. Primjer razvoja sistema zasnovanih na genetskim algoritmima je GeneHunter sistem iz Ward Systems Group.

Primena metoda rudarenja podataka zasnovanih na skladištenju informacija u praksi sve više pokazuje potrebu za integracijom inteligentnih i tradicionalnih informacionih tehnologija, kombinovanu upotrebu različitih metoda predstavljanja i izlaza znanja, komplikovanje arhitekture informacionih sistema (videti paragraf 1.6.). i Poglavlje 7).

U kontekstu dinamičnog razvoja privrednih objekata, povećavaju se zahtjevi za prilagodljivošću informacionih sistema promjenama. Ovi zahtjevi se svode na sljedeće:

IS u svakom trenutku mora na adekvatan način podržati organizaciju poslovnih procesa.

Rekonstrukciju IS-a treba izvršiti svaki put kada se ukaže potreba za reorganizacijom poslovnih procesa.

Rekonstrukciju IS treba izvršiti brzo i uz minimalne troškove.

S obzirom na visoku dinamiku savremenih poslovnih procesa, može se zaključiti da je prilagodljivost IS-a nezamisliva bez intelektualizacija svoju arhitekturu. Srž adaptivnog IC-a je stalno razvijanje model domene problema (poduzeće), koji se održava u posebnoj bazi znanja - repozitorijumu, na osnovu kojeg se vrši generisanje ili konfigurisanje softvera. Dakle, projektovanje i prilagođavanje IS svodi se, pre svega, na izgradnju modela problematičnog područja i njegovu pravovremenu korekciju. Dakle, adaptivni sistem se može klasifikovati kao inteligentni informacioni sistem zasnovan na modelu problemske domene.

Prilikom projektovanja informacionog sistema obično se koriste dva pristupa: originalni ili tipičan dizajn... Prvi pristup podrazumeva razvoj informacionog sistema "od nule" u skladu sa zahtevima privrednog objekta, drugi pristup je prilagođavanje standardnog razvoja karakteristikama privrednog objekta. Prvi pristup se obično implementira na osnovu aplikacije sistemi kompjuterski potpomognutog projektovanja ili CASE-tehnologije, na primjer, kao što su Designer 2000 (Oracle), SilverRun (SilverRun Technology), Natural LightStorm (Software AG), itd., drugi pristup se zasniva na korištenju Sistemi projektovanja IC komponenti, na primjer, kao što su R/3 (SAP), BAAN IV (Baan Corp), Galaxy (New Atlant) itd.

Sa stanovišta prilagodljivosti informacionog sistema poslovnim procesima privrednog objekta, oba pristupa su vođena preliminarnim temeljnim proučavanjem ekonomskog objekta i njegovim modeliranjem. Razlika između pristupa je sljedeća: kada se koristi CASE-tehnologija zasnovana na spremištu, kada dođe do promjene, svaki put kada se softver generiše (rekreira), a kada se koristi komponentna tehnologija, programi se konfigurišu i samo u rijetkim slučajevima obrađuju se pomoću CASE - alata, na primjer, korištenjem jezika četvrte generacije (4GL).

Za modeliranje problematične oblasti i naknadnih konfiguracija informacionog sistema iz pojedinačnih komponenti (softverskih modula), koriste se posebni softverski alati, na primjer, R / 3 Business Engineer i BAAN DEM (Dynamic Enterprise Modeler). Nesumnjiva prednost korišćenja modelski orijentisanih komponentnih sistema, kao što su R/3 ili BAAN IV, u odnosu na CASE tehnologije je akumulacija iskustva u projektovanju informacionih sistema za različite industrije i tipove proizvodnje u obliku standardnih modela ili tzv. pozvao referentni / referentni modeli koji dolaze sa softverskim proizvodom u obliku kompletnog repozitorija. Tako, zajedno sa softverskim proizvodom, korisnici stiču bazu znanja „know-how“ o efikasnim metodama organizacije i upravljanja poslovnim procesima, koja se može prilagoditi specifičnostima određenog ekonomskog objekta.

U generalizovanom obliku, konfiguracija adaptivnih informacionih sistema zasnovanih na komponentnoj tehnologiji prikazana je na Sl. 1.16.

Osnovni model spremišta sadrži opis objekti, funkcije (operacije), procesi (skup operacija), koji su implementirani u softverske module komponentnog sistema. Istovremeno, zadatak je od velike važnosti u osnovnom modelu pravila (poslovna pravila) održavanje integriteta informacionog sistema, čime se uspostavljaju uslovi za provjeru ispravnosti zajedničke primjene operacija poslovnih procesa i njihovih pratećih softverskih modula. Dakle, raznovrsnost i fleksibilnost definisanja poslovnih procesa i odgovarajućih konfiguracija informacionog sistema se postavlja pomoću skupa poslovnih pravila.

Tipični modeli odgovaraju tipičnim konfiguracijama informacionog sistema napravljenih za određene industrije (automobilska, elektronska, nafta i gas, itd.) ili vrste proizvodnje (pojedinačna, serijska, masovna, kontinuirana itd.).

Model preduzeća (problematična oblast) se gradi povezivanjem ili kopiranjem fragmenata glavnih ili tipičnih modela u skladu sa specifičnim karakteristikama preduzeća, na primjer, kao u alatu BAAN Orgware, ili kao rezultat pregleda ovih modela i stručnog istraživanja, kao u R / 3 alat Business Engineer. Štoviše, u potonjem slučaju, od korisnika se traži da odredi vrijednosti ne svih parametara, već samo onih koji su povezani u kontekstu dijaloga i opisani poslovnim pravilima.

Generisani model preduzeća u obliku meta opisa se pohranjuje u spremište i, ako je potrebno, može se prilagoditi. Nadalje, prema generisanom modelu preduzeća, automatski se vrši konfiguracija informacionog sistema, pri čemu se vrši semantička kontrola prema odgovarajućim poslovnim pravilima.

Nedostaci opisane šeme konfiguracije informacionog sistema su nedostatak sredstava za procenu modela preduzeća. Da bi se mogle izabrati optimalne opcije konfiguracije za informacioni sistem, po pravilu se koriste sredstva za eksportovanje modela u eksterne sisteme modeliranja. Dakle, za R/3 sistem je omogućen izvoz (uvoz) modela u (iz) okruženja(a) ARIS Toolset-a, što vam omogućava da izvršite funkcionalnu i troškovnu analizu efikasnosti modeliranih poslovnih procesa i njihova dinamička simulacija.

Kontinuirane promjene koje se dešavaju u privredi diktiraju potrebu za stalnim ažuriranjem znanja preduzeća i organizacija, kao intelektualnog kapitala koji obezbjeđuje stabilne strateške pozicije preduzeća na tržištu. Prema B.Z. Milnera, „formira se nova upravljačka funkcija čiji je zadatak akumulacija intelektualnog kapitala, identifikovanje i širenje dostupnih informacija i iskustva, te stvaranje preduslova za širenje i transfer znanja. Upravo znanje postaje izvor visoke produktivnosti, inovativnosti i konkurentske prednosti." Nova funkcija upravljanja znanjem implementirana je kao skup procesa za sistematsko sticanje, sintezu, razmjenu i korištenje znanja unutar organizacije. Upravljanje znanjem karakteriše kolektivno formiranje i korišćenje kako unutrašnjih tako i eksternih izvora znanja (informacionih resursa).

U anketi izvršnih direktora sa liste Fortune 1000, 97% menadžera je reklo da postoje procesi koji su ključni za kompaniju i da bi mogli biti značajno poboljšani kada bi više zaposlenih znalo za njih. U istom istraživanju, 87% ispitanika je reklo da skupe greške nastaju upravo zato što zaposleni nisu na vrijeme dobili informacije koje su im potrebne.

Kvalitet korišćenog znanja direktno utiče na efikasnost sledećih poslovnih procesa:

Donošenje upravljačkih odluka u strateškom, taktičkom i operativnom menadžmentu kao rezultat pravovremenog pristupa relevantnom znanju;

Inovativna aktivnost zbog mogućnosti kolektivnog formiranja ideja i smanjenja troškova dupliciranja rada, osiguravajući ubrzanje ciklusa inovacija;

Kontinuirano stručno usavršavanje zaposlenih u preduzećima u realnom vremenu;

Omogućavanje partnerima (dobavljačima, izvođačima, klijentima) pored njihovih osnovnih usluga pristupa akumuliranom znanju, uključujući savjetovanje i obuku.

Ispod sistem upravljanja znanjem (KMS) razumećemo skup organizacionih procedura, organizacionih jedinica (usluge upravljanja znanjem) i računarskih tehnologija koje obezbeđuju integraciju heterogenih izvora znanja i njihovu kolektivnu upotrebu u poslovnim procesima.

Prema E.V. Popovu, svjetski rashodi za stvaranje i rad kontrolnog sistema, koji su iznosili 2 milijarde dolara 1999. godine, do 2003. će se povećati na 12 milijardi dolara, u čemu će 7,9 milijardi dolara biti povezano sa pružanjem usluga, 1,8 milijardi dolara sa softverom, 0,9 milijardi dolara sa održavanjem infrastrukture, 1,4 milijarde dolara sa internim resursima. Istovremeno, kako napominju stručnjaci Delphi Consulting Group, trenutno je samo 12 posto korporativnog znanja formalizovano u kompjuterskim bazama podataka i znanju.

Karakteristična karakteristika sistema upravljanja znanjem je integracija mnogih heterogenih, često geografski raspoređenih izvora znanja radi rješavanja zajedničkih problema. KMS integriše znanje iz internih i eksternih izvora. Izvori znanja mogu imati nedokumentovani oblik (implicitna znanja stručnjaka), dokumentovani tekst, tabelarni, grafički oblik i strukturiranu formu u vidu baza znanja ekspertskih sistema.

Interni izvori znanja uključuju:

Tehnička dokumentacija, opis proizvodnih i poslovnih procesa,

baze podataka i skladište podataka,

Baza znanja radnog iskustva specijalista („najbolja praksa“),

Opis profila znanja specijalista (eksperata),

Specijalizovani ekspertni sistemi.

Eksterni izvori znanja uključuju:

Materijali publikacija i vijesti sadržani na INTERNETU,

elektronski sistemi za učenje,

Baze podataka eksternih partnera i statističke baze podataka u regionalnim, proizvodnim i sektorskim sekcijama,

Imenici stručnjaka i konsultantskih kuća specijalizovanih za određena problematična područja, linkovi na forume na INTERNETU,

Referentni modeli za organizaciju poslovnih procesa (industrijska i standardna rješenja).

Sistem upravljanja znanjem se obično koristi u dva aspekta:

Pružanje kvalitetnog znanja o procesima rješavanja različitih problema.

Stvaranje interaktivnog okruženja za interakciju stručnjaka u procesu rješavanja problema.

Sa stanovišta prvog aspekta, KMS, za razliku od tradicionalnih informacionih sistema podrške dokumentaciji (informacioni sistemi za pronalaženje informacija), transformiše znanje u gotov proizvod visoke upotrebne vrednosti, jer znanje, za razliku od skupa svih vrsta informacija vezano za zahtjev, tačno odgovara prirodi problema koji se rješava i može se direktno koristiti prilikom donošenja odluke.

Sa stanovišta drugog aspekta, KMS stvara interaktivno okruženje za komunikaciju ljudi, u kojem se povećava kreativna sposobnost generisanja novih znanja, koja odmah pada u korporativnu memoriju za kasniju upotrebu. Uz pomoć KMS-a, svako preduzeće ili organizacija pretvara se u organizaciju koja uči koja stvara „spirala znanja“ u kojoj se „nepoznato (implicitno) znanje mora identifikovati i širiti kako bi postalo deo individualizovane baze znanja svakog zaposlenog. Spirala se svaki put nastavlja kako bi se podigla na sljedeći nivo, proširujući bazu znanja primjenjivu na različita područja organizacije."

Dakle, da bi proces ažuriranja znanja bio konstantan, potrebno je kreirati trajno funkcionalne sisteme upravljanja znanjem koji bi mogli ne samo da kombinuju pojedinačne izvore znanja pojedinih korisnika, već i da izvlače znanja iz eksternih izvora znanja, statističkih baza podataka. , i INTERNET informativni prostor. Ovo zahteva sposobnost povezivanja korporativnog sistema upravljanja znanjem sa drugim sistemima upravljanja znanjem zasnovanim na jedinstvenim pristupima konceptualizaciji znanja.

Sisteme upravljanja znanjem karakterišu sledeće karakteristike:

Inteligentna pomoć. Sistem upravljanja znanjem, za razliku od ekspertnih sistema, ne zamjenjuje stručnjaka u procesu rješavanja problema, već mu pomaže pružanjem relevantnih informacija i pravila donošenja odluka u određenoj situaciji. Istovremeno, u procesu rješavanja problema, korisnik razmatra različita rješenja predstavljena sistemom upravljanja znanjem, modificira iskaz problema ili simulira situaciju, birajući na taj način najprihvatljivija rješenja. Može postojati i drugi način rješavanja problema, kada korisnik samostalno rješava problem, a rezultat rješenja se procjenjuje pomoću sistema upravljanja znanjem na ispravnost i efikasnost, na primjer, upućivanjem na stručne kolege ili ekspertske sisteme koji koriste sistem upravljanja znanjem.

Prikupljanje i sistematsko organizovanje znanja iz različitih izvora. Integracija mnogih različitih izvora znanja vrši se na osnovu jedinstvenog sistema konceptualizacije znanja. Ključni zahtev za izvore znanja je sprečavanje gubitka i povećanje dostupnosti svih vrsta korporativnog znanja obezbeđivanjem centralizovanog, dobro strukturiranog repozitorija informacija. Strukturiranost skladišta informacija pretpostavlja stvaranje i opis jedinstvenog sistema znanja zasnovanog na taksonomiji konceptualnih koncepata, meta-baze znanja ili ontologije, kroz koje se može pristupiti različitim izvorima znanja.

Minimiziranje dizajna baze znanja kao popunjavanje konceptualnog dijagrama. Nisu svi izvori znanja možda poznati, ili mogu biti kontradiktorni ili se često mijenjaju. Sistem upravljanja znanjem, s jedne strane, treba da obezbijedi metode za postupanje u takvim situacijama, as druge strane, da omogući lako povezivanje novih izvora znanja kako se pojavljuju. Istovremeno, samu konceptualnu shemu sistema upravljanja znanjem treba modificirati.

Brzo prilagođavanje sistema upravljanja znanjem promenljivim potrebama za informacijama. Adaptacija sistema upravljanja znanjem se vrši na osnovu povratnih informacija korisnika sistemu kao rezultat formulisanja novih zahteva i delova analize, kao i informisanja o prazninama, netačnostima i zaostajanju u znanju. Osim toga, baza slučajeva korištenja je ispunjena naznakom uspješnog i neuspješnog rješavanja problema od strane korisnika. Istovremeno se vrši transformacija individualnog znanja u grupno znanje, dostupno drugim korisnicima sistema upravljanja znanjem. Oblik prikupljenog i podijeljenog znanja postaje generativan i ponovno upotrebljiv.

Sa ove tačke gledišta, korisno je akumulirati bazu znanja presedana za rješavanje problema, generalizirati tipične situacije i greške i širiti generirano znanje.

Integracija sa postojećim softverskim okruženjem. Različiti analitički alati su povezani sa sistemom upravljanja znanjem, koji omogućavaju ekstrakciju implicitnih informacija sadržanih u izvorima znanja koristeći metode kao što su statistička analiza i neuronske mreže, ekspertni sistemi, matematičko i simulaciono modeliranje. Ovi alati vam omogućavaju da otkrijete obrasce u reflektovanoj stvarnosti i identifikujete najracionalnije ponašanje u postojećim uslovima. Korisnik postaje istraživač-eksperimentator koji ne samo da traži informacije od interesa, već i iznosi i testira različite hipoteze. U tom smislu, korisno je povezati specijalizovane softverske alate.

Aktivno predstavljanje relevantnih informacija. Sistem upravljanja znanjem postaje kompetentan partner u kooperativnom rješavanju problema, uzimajući u obzir spektar informacionih potreba korisnika i formirajući za njega znanje na osnovu njegovih uočenih interesovanja. Ovo svojstvo je posebno efikasno implementirano u sistemima upravljanja odnosima sa klijentima (CRM).

Integracija heterogenih izvora znanja, interdisciplinarna priroda njihove upotrebe, potreba za privlačenjem eksternih izvora znanja, razmjena znanja između korisnika pretpostavlja razvoj arhitektura sistema upravljanja znanjem zasnovanog na zajedničkom informacionom prostoru u obliku integrisane memorije, koji se može predstaviti na tri nivoa interakcije:

Nivo objekta- čuvanje kategorija izvora znanja anotiranih uz pomoć posebno razvijenog sistema i njihovo indeksiranje.

Nivo koncepta- definisanje konceptualnog modela strukture znanja (sistema kategorija), zajedničkog za sve izvore znanja, odnosno razvoj ontologije.

Aplikacioni sloj- određivanje cilja i ograničenja u rješavanju intelektualnog problema od strane korisnika, odnosno postavljanje njegovog globalnog i lokalnog konteksta. Istovremeno se mora utvrditi profil znanja korisnika.

Razmotrimo navedene nivoe organizacije korporativne memorije detaljnije. Prilikom opisivanja organizacije znanja na ovim nivoima, primjeri konkretnog rada KMS-a opisani su u.

Objektni sloj korporativne memorije

Mogući izvori znanja koji su povezani sa KMS-om prikazani su u tabeli 1.2.

Tabela 1.2

Izvori znanja

Dokument bez naslova

Izvori znanja	Metode sticanja znanja	Primjeri znanja
Ljudi i grupe	Dokumentovanje, strukturiranje, povezivanje	Primjeri situacija, pravila, objekti Profil znanja
U implicitnom obliku direktnim povezivanjem stručnjaka i stručnjaka na računarsku mrežu opisujući njihov profil znanja. Na primjer, Huges Electronics, kompanija General Motors, ima povijest vodećih slučajeva najbolje prakse, koja održava bazu podataka o najboljim projektima obnove. Svaki projekat je povezan sa kratkim opisom i informacijama za kontaktiranje odgovornih osoba. Statističke baze podataka i skladišta informacija predstavljaju izvor za izvlačenje implicitnog znanja korištenjem metoda rudarenja podataka: induktivna stabla odlučivanja, klaster i regresiona analiza, neuronske mreže. Skladišta informacija mogu sadržavati ogromne količine podataka. Na primjer, Chase Manhatten Bank ima više od 560 GB prostora za pohranu, MasterCard OnLine ima 1,2 TB. Namjenski alati se mogu koristiti za prikupljanje statistike. Na primjer, za izvlačenje znanja iz finansijskih informacija u EDGAR-u (Electronic Data Gathering and Retrival System), razvijen je sistem EdgarScan, koji radi u Internet okruženju. Tekstualni izvori znanja povezani su sa KMS tehnologijom filtriranja tekstualnih poruka analiziranih u izvoru znanja na osnovu liste tema koje definišu hijerarhiju taksonomije pojmova u određenoj predmetnoj oblasti. Obično se filtriranje vrši prema kategoriji i prioritetu po važnosti. Na primjer, Odie (On request Information Extractor) svake večeri skenira oko 1000 najnovijih članaka kako bi izvukao znanje o trendovima upravljanja. Dizajniran za američke i evropske komentatore vijesti, Odie koristi stilizirano prepoznavanje fraza u poslovnim vijestima i poznavanje pravila sintakse kako bi prepoznao relevantne poslovne događaje. Grafički dijagrami referentnih modela se pohranjuju u posebnim repozitorijumima koji opisuju meta informacije o organizaciji poslovnih procesa. Na primjer, SAP R / 3 System spremište sadrži oko 100 dokazanih poslovnih scenarija i modela za različite industrije. Uz pomoć stručnih pravila, referentni modeli se mogu transformisati u specifične modele za organizaciju poslovnih procesa preduzeća. Konceptualni nivo strukture znanja korporativne memorije Konceptualni nivo strukture znanja zasniva se na taksonomiji korišćenih koncepata (ontologija), dizajniranoj da identifikuje različite komponente znanja. Ontologija se može posmatrati kao sistem rubrikacije predmetne oblasti, uz pomoć kojeg se integrišu heterogeni izvori znanja. S druge strane, ontologija se posmatra kao rečnik tezaurusa, koji se dijeli u KMS-u kako bi se pojednostavila komunikacija korisnika, formulacija i interpretacija njihovih zahtjeva. Konceptualni nivo korporativne memorije pruža semantičku interpretaciju upita za KMS, koji implementira objedinjeni inteligentni pristup različitim izvorima znanja. Rezultat su sljedeće ključne prednosti: Tačan i efikasan KMS pristup izvorima znanja koji su relevantni za kontekst zadatka (konkretnu situaciju). Bolje razumijevanje i interpretacija stečenog znanja od strane korisnika u ovom kontekstu sa mogućnošću dodatnih referentnih poziva u korporativnu memoriju. Informaciono modeliranje, odnosno iterativno razjašnjavanje informacijskih potreba u procesu rješavanja problema. Primjer primjene rječnika tezaurusa je industrijski sistem za pronalaženje informacija Retrieval Ware (Canbera), koji omogućava pretraživanje punog teksta i atributa korištenjem redovnog web pretraživača u različitim izvorima znanja: elektronske arhive tekstualnih dokumenata, web-pecypcax, formatirani baze podataka, tabele, grafike, zvučne i vizuelne slike (u 250 formata). Semantička mreža, koja se ogleda u rječniku tezaurusa za engleski jezik, uključuje 400.000 riječi i više od 1.600.000 veza između njih. Rečnik lokalizovane verzije softvera ruskog semantičkog servera trenutno sadrži oko 42 hiljade reči i idiomatskih izraza. Tehnologija semantičkog pretraživanja također omogućava korištenje nekoliko rječnika u isto vrijeme. Na primjer, zajedno sa osnovnim vokabularom, sistem može koristiti rečnik industrije, interni vokabular organizacije i lični rečnik korisnika, koji se može razvijati po potrebi. Ograničena organizacija znanja tezaurusa povezana je sa uskim fokusom na rješavanje samo problema pretraživanja. Za proširenje spektra KMS zadataka povezanih sa izborom alternativa u opravdavanju projekata, donošenju odluka, obuci, potrebna je složenija organizacija znanja koja podrazumeva definisanje logike rešavanja problema u deklarativnom obliku ili kreiranje ontologije zadataka. Ontolingua sistem je dobar primjer ovakvog sistema. Ontolingua sistem je dizajniran da podrži formalnu specifikaciju korisničkih zadataka zasnovanu na biblioteci formalnih opisa fragmenata zadataka, modela i koncepata, kao i da održava samu biblioteku fragmenata (slika 1.17). Otologije se mogu koristiti ne samo u sistemima upravljanja znanjem, već iu transakcionim sistemima kao što su sistemi e-trgovine, logistički sistemi, virtuelna preduzeća, koja zahtevaju tehnologiju razmene znanja sa više agenata. Aplikacioni sloj Intelektualne probleme, koji se rješavaju na osnovu CPS-a, karakteriše slaba formalizacija, što podrazumijeva dvosmislenost postavljanja ciljeva za rješavanje problema i opisivanja uslova za rješavanje problema. Pored toga, nivo znanja i sistem kriterijuma za ocjenjivanje odluke mogu se razlikovati od korisnika do korisnika. Obično se tipično rješenje intelektualnog problema svodi na sljedeće korake: Formulacija iskaza problema. Izbor izvora znanja relevantnih za zadatak. Razumijevanje odabranog materijala (obuka, konsultacije). Rješenje problema (izrada, konfiguracija rješenja). Provjera izvodljivosti rješenja problema (procjena rješenja problema, konsultacije sa stručnjacima, ekspertni sistemi). Donošenje odluka i praćenje njihove implementacije. Pohranjivanje rezultata rješavanja problema u korporativnu memoriju. U svakom koraku rješavanja intelektualnog problema može se koristiti CPS, čiji se rad svodi na iterativni niz pretraživanja u korporativnoj memoriji, čime se osigurava tačnost postizanja cilja svake faze. Na primjer, preduzeće rješava problem izbora strategije povećanja efikasnosti proizvodnje, koja spada u klasu slabo formaliziranih zadataka. Prvo, potrebno je zatražiti informacije o mogućim ciljevima, kriterijima i metodama za poboljšanje efikasnosti proizvodnje. Zatim opišite svoje poslovanje. Na osnovu formulisanog zadatka, sistem će odabrati izvore znanja. Proučavanje gradiva može izazvati pojašnjavajući ili objašnjavajući dijalog. Donesena odluka se može poslati specijalistima odabranim uz pomoć CPS-a na pregled. U procesu implementacije rješenja, informacije o pojedinim koracima unose se u bazu znanja radi prilagođavanja strategije na osnovu uočenih odstupanja i za korištenje u rješavanju sličnih problema u budućnosti. U svakoj fazi rješavanja intelektualnog problema određuju se zahtjevi za ulaz i izlaz, metode i sredstva koja se koriste, kao i korišteni resursi (konkretni izvođači, vremenska, materijalna i troškovna ograničenja) i čisto spolja izgleda kao popunjavanje nekog ekrana obrazac u kojem se evidentiraju: Opšti cilj aktivnosti. Kontekstualne informacije, poznate iz stanja procesa ili postavljene ručno u datom koraku. Obrazac na ekranu se obično popunjava koristeći liste ključnih riječi povezanih sa ontološkim naslovima. Dakle, obrazac zahtjeva na ekranu odražava trenutni lokalni kontekst pretraživanja, koji određuje specifičnosti sljedećeg koraka u rješavanju problema. Jednokratni pristup znanju u savremenom KMS-u uglavnom se svodi ili na potragu za relevantnim znanjem od strane krajnjih korisnika, ili na širenje znanja među korisnicima sa strane sistema upravljanja znanjem. Dakle, i ljudi i KMS mogu biti pokretači procesa upravljanja znanjem. S druge strane, i ljudi i KMS mogu biti nosioci znanja na koje se odnose pokretači procesa. Moguće varijante interakcije između ljudi i KMS-a prikazane su u tabeli 1.3. Tabela 1.3 Pristup izvorima znanja Dokument bez naslova Vezivanje ljudi u KMS izvedeno korištenjem multi-agent tehnologije zasnovane na spremištu vještina ljudi. Svaki učesnik u procesu upravljanja znanjem u računarskoj mreži može imati kompjuterskog blizanca – inteligentnog agenta koji ulazi u pregovore sa sličnim agentima u mreži radi rešavanja zajedničkog problema. Primer takvog sistema sa više agenata je ContactFinder, koji u mreži traži stručnjake koristeći tehnologiju oglasne table, koja je dostupna za razmenu poruka između agenata. Istovremeno, velika je uloga ontologije kao rječnika komunikacije agenata i opisa profila njihovog znanja. Povezivanje ljudi i KMS-a za odabir relevantnog znanja se vrši korištenje pretraživača u skladištima znanja („pool-storages“). Nedovoljna inteligencija postojećih pretraživača dovodi do irelevantnosti odabranog znanja. Trenutno se razvijaju pretraživači zasnovani na upotrebi ontologije, na primjer, sistem SHOE, OntoBroker, itd. Kao grafički alati za vizualizaciju mape znanja prilikom navigacije pristupnim putevima mogu se koristiti posebni alati, na primjer, Perspecta i InXight . Povezivanje KMS-a i ljudi odvija se po "push" tehnologiji (push-tehnologija), prema kojoj KMS proučava informacijske potrebe korisnika i u skladu sa njima samostalno širi ili dostavlja znanje potrošačima. Na primjer, InfoFinder proučava interese korisnika na osnovu skupa generiranih poruka ili traženih dokumenata. Osim toga, InfoFinder koristi heurističke metode za prikupljanje dodatnih, preciznijih informacija o zahtjevima korisnika, što omogućava InfoFinderu da pronađe dokumente predviđajući zahtjeve korisnika. Povezivanje KPS-a i KPS-a u procesu implementacije složenijih zahteva, kada jedan KMS ne može da se nosi sa zadatkom i obraća se za pomoć drugom KMS-u, po pravilu se obavlja korišćenjem tehnologije sa više agenata. Osim toga, posebni vodiči znanja mogu se koristiti za pomoć u navigaciji putevima odabira znanja u integriranom prostoru znanja, na primjer, Michelin vodiči kompanije CoopersLibrand, koji olakšavaju razumijevanje sadržaja i lokacije izvora znanja. Andersen Consulting održava centralno skladište mapa znanja kroz koje su povezani različiti izvori znanja. Stvari koje treba zapamtiti Inteligentni informacioni sistem (IIS) je IS, koji se zasniva na konceptu korišćenja baze znanja za generisanje algoritama za rešavanje ekonomskih problema različitih klasa, u zavisnosti od specifičnih informacionih potreba korisnika. Najvažniji znakovi IIS klasifikacije: razvijene komunikacijske vještine, složenost (loša formalizabilnost algoritma), sposobnost samoučenja, prilagodljivost. Glavne podklase IIS-a: inteligentne baze podataka, uklj. sa interfejsima koji koriste prirodni jezik, hipertekst i multimediju, kognitivnu grafiku; statički i dinamički ekspertni sistemi; sistemi za samoučenje zasnovani na principima induktivnog zaključivanja, neuronski sistemi, traženje presedana, organizacija skladišta informacija; adaptivni informacioni sistemi zasnovani na upotrebi CASE tehnologija i/ili komponentnih tehnologija, sistemi upravljanja znanjem. Inteligentni sistem interfejsa je IIS dizajniran za traženje implicitnih informacija u bazi podataka ili teksta za proizvoljne upite, obično sastavljene na ograničenom prirodnom jeziku. Ekspertni sistem (ES) je IIS dizajniran za rješavanje loše formaliziranih problema zasnovanih na iskustvu stručnjaka u problemskoj oblasti akumuliranom u bazi znanja. Učesnici u razvoju i radu elektrane: stručnjaci, inženjeri znanja, korisnici. Ekspert - specijalista čije je znanje stavljeno u bazu znanja. Inženjer znanja- specijalista koji se bavi izvlačenjem znanja i njihovom formalizacijom u bazi znanja. Korisnik - specijalista čije su intelektualne sposobnosti proširene upotrebom ES u praksi. Glavne komponente ES arhitekture: baza znanja, mehanizmi zaključivanja, objašnjenja, sticanje znanja, inteligentni interfejs. Baza znanja je centralna komponenta ES-a, koja određuje vrijednost ES-a i sa kojom su povezani glavni razvojni troškovi. Baza znanja je spremište jedinica znanja koje opisuju atribute i radnje povezane sa objektima u problemskom području, kao i moguće neizvjesnosti. Jedinica znanja je elementarna strukturna jedinica (opis jednog predmeta, jedne radnje) koja ima potpuno značenje. Pravila i/ili objekti se obično koriste kao jedinice znanja. Nesigurnost znanja- to je ili nekompletnost, ili nepouzdanost, ili dvosmislenost, ili kvalitativna (umjesto kvantitativna) procjena jedinice znanja. Mehanizam zaključivanja je generalizirani postupak za pronalaženje rješenja za problem, koji na osnovu baze znanja iu skladu sa informacijskim potrebama korisnika izgrađuje lanac zaključivanja (logički povezanih jedinica znanja), što dovodi do određenog rezultata. Deduktivno zaključivanje(od opšteg ka specifičnom) - izvođenje privatnih izjava supstitucijom drugih dobro poznatih privatnih izjava u opšte izjave. Razlikovati direktno (od podataka do cilja) i obrnuto (od cilja do podataka) lanci zaključivanja (argumentacija). Induktivni izlaz(od posebnog ka opštem) - zaključak (generalizacija) zasnovan na skupu posebnih iskaza opštih iskaza (iz primera realne prakse pravila). Abduktivno povlačenje(od privatnog do privatnog) - zaključivanje privatnih izjava na osnovu potrage za drugim sličnim izjavama (presedanima). Mehanizam sticanja znanja je postupak za akumuliranje znanja u bazi znanja, uključujući unos, kontrolu kompletnosti i konzistentnosti jedinica znanja i, eventualno, automatski izlaz novih jedinica znanja iz ulaznih informacija. Mehanizam objašnjenja je postupak koji opravdava rezultat dobiven mehanizmom zaključivanja. Inteligentni interfejs je procedura koja tumači korisnički zahtjev bazi znanja i generira odgovor u formi koja mu odgovara. Svrha ekspertskog sistema: savjetovanje i obuka neiskusnih korisnika, pomoć stručnjacima u rješavanju problema, savjetovanje stručnjaka o pitanjima iz srodnih oblasti znanja (integracija izvora znanja). Statički ekspertni sistem je ES koji rješava probleme u uvjetima početnih podataka i znanja koji se ne mijenjaju tokom vremena. Dinamički ekspertni sistem je ES koji rješava probleme u uvjetima vremenski promjenjivih početnih podataka i znanja. Analitički ekspertni sistem je ES koji procjenjuje opcije odluke (testiranje hipoteze). Synthetic Expert System- Ovo je ES koji generiše rješenja (hipoteze). Klase zadataka koje se rešavaju u ekspertskom sistemu: interpretacija, dijagnostika, prognoza, dizajn, planiranje, praćenje, korekcija, upravljanje. Sistem za samoučenje je IIS, koji, na osnovu primjera iz stvarne prakse, automatski generiše jedinice znanja. Induktivni olovni sistem je IIS koji se samostalno uči koji gradi stabla odlučivanja na osnovu učenja na primjerima iz stvarnog života. Neuronska mreža je samoučeći IIS, koji na osnovu učenja na primjerima iz stvarnog života gradi asocijativnu mrežu pojmova (neurona) za paralelno traženje rješenja na njoj. Sistem zasnovan na slučajevima je IIS koji se samostalno uči koji pohranjuje stvarne slučajeve odlučivanja (primjere) kao jedinice znanja i omogućava, na zahtjev, odabir i prilagođavanje najsličnijih slučajeva upotrebe. Data Mining je skup metoda za automatsko izdvajanje znanja iz posebno organiziranih skladišta informacija (Data Warehouse), koje uključuju statističke metode, induktivno zaključivanje, neuronske mreže i genetske algoritme. Adaptivni informacioni sistem- ovo je IIS, koji mijenja svoju strukturu u skladu sa promjenom modela problematičnog područja. Model domene problema- odraz strukture objekata, funkcija, procesa, pravila vezanih za funkcionisanje problematične oblasti. Repozitorij je spremište meta-znanja o strukturi činjeničnog i operativnog znanja ili modela problematične oblasti. Tehnologija slučaja je tehnologija koja vam omogućava da generišete informacioni sistem zasnovan na modelu problemske domene pohranjenom u spremištu. Komponentna tehnologija- tehnologija koja vam omogućava da konfigurišete informacioni sistem od gotovih standardnih komponenti zasnovanih na modelu problemske domene pohranjenom u spremištu. Sistem upravljanja znanjem (KMS)- međusobno povezani skup organizacionih procedura, ljudi i informacionih tehnologija, koji osigurava prikupljanje, akumulaciju, organizaciju, širenje i korištenje znanja za rješavanje problema visokokvalitetnih informacijskih usluga (podrške) za implementaciju poslovnih procesa i interaktivnu interakciju specijalisti. Korporativna memorija- repozitorijum izvora znanja i njihovih meta-opisa za kolektivnu upotrebu u organizaciji. Izvori znanja o KMS-u- iskustvo specijalista, predstavljeno u obliku presedana, strukturiranih baza znanja ekspertskih sistema, opisa profila znanja; dokumentarni izvori znanja unutar i izvan organizacije; baze podataka i skladišta formatiranih podataka; referentni modeli za organizaciju poslovnih procesa. Ontologija je konceptualni opis strukture znanja za formalizovane i neformalizovane izvore znanja. KMS aplikacije - pretraživanje i korištenje znanja za rješavanje intelektualnih problema opravdanosti odluka, dizajna, inovacija; obrazovanje; razmjena znanja u procesu interakcije stručnjaka; širenje znanja za upoznavanje u potencijalnim terminima.

Predavanje

Tema: "Inteligentne tehnologije i sistemi"

Plan:

1. Koncept vještačke inteligencije. Inteligentne informacije

tehnologije.

2. Klasifikacija inteligentnih informacionih sistema.

3. Ekspertni sistemi kao glavni tip inteligentnih sistema.

4. Umjetne neuronske mreže.

Upotreba informacionih tehnologija (IT) u različitim sferama ljudske delatnosti, rast obima informacija i potreba da se brzo reaguje u bilo kojoj situaciji zahtevaju traženje adekvatnih rešenja za probleme koji se pojavljuju. Najefikasniji od njih je način intelektualizacije informacionih tehnologija.

Pitanje broj 1 Koncept vještačke inteligencije.

Inteligentna informaciona tehnologija

Nova informaciona tehnologija zasniva se prvenstveno na inteligentnim tehnologijama i teoriji veštačke inteligencije.

Termin intelekt dolazi od latinskog intellectus - što znači um, razum, razum; sposobnost mišljenja osobe.

Ispod umjetna inteligencija razumiju sposobnost kompjuterskih sistema da djeluju inteligentno. Najčešće se to odnosi na sposobnost povezane s ljudskim razmišljanjem.

Umjetna inteligencija- grana informatike koja se odnosi na razvoj inteligentnih programa za računare.

Vještačka inteligencija (AI) je naučna oblast koja je nastala na razmeđu kibernetike, lingvistike, psihologije i programiranja.

Pod inteligentnom informatičkom tehnologijom razumiju takve informacione tehnologije, koje pružaju sljedeće mogućnosti:

• dostupnost baza znanja koje odražavaju iskustva konkretnih ljudi, grupa, društava, čovječanstva u cjelini, u rješavanju problema kao što su: donošenje odluka, dizajn, izdvajanje značenja, objašnjenje, obuka;
• prisustvo modela razmišljanja zasnovanih na bazama znanja: pravila i logički zaključci; argumentacija i obrazloženje; prepoznavanje i klasifikacija situacija; generalizacija i razumijevanje, itd.;
• sposobnost donošenja prilično jasnih odluka na osnovu nejasnih, nepotpunih, nedovoljno određenih podataka;
• sposobnost objašnjavanja zaključaka i odluka, odnosno prisustvo mehanizma objašnjenja;
• sposobnost učenja, prekvalifikacije i, prema tome, razvoja.

Istorija inteligentne informacione tehnologije

Osvrnimo se na istoriju razvoja IIT-a, koja datira od 60-ih godina prošlog veka i obuhvata nekoliko glavnih perioda.

• 60-70s. Ovo su godine realizacije sposobnosti umjetne inteligencije i formiranja poretka za podršku procesima donošenja odluka i upravljanja.
• 70-80s. U ovoj fazi postoji svijest o značaju znanja za donošenje adekvatnih odluka; Pojavljuju se EKSPERTSKI SISTEMI.
• iz 80-ih. Do sada. Pojavljuju se integrisani (hibridni) modeli predstavljanja znanja koji kombinuju sledeće tipove inteligencije: pretraživačku, računarsku, logičku i figurativnu. Kreiranje neuronskih mreža

Posebnost inteligentnih informacionih tehnologija (IIT) je njihova „univerzalnost“. Oni praktično nemaju ograničenja u primjeni u područjima kao što su upravljanje, dizajn, strojno prevođenje, dijagnostika, prepoznavanje uzoraka, sinteza govora, itd.

IIT se takođe široko koriste za distribuirano rešavanje složenih problema, zajedničko projektovanje proizvoda, izgradnju virtuelnih preduzeća, modeliranje velikih proizvodnih sistema i elektronske trgovine, elektronski razvoj složenih računarskih sistema, upravljanje znanjem i informacionim sistemima, itd. Druga efikasna primena je pronalaženje informacija. na Internetu i drugim globalnim mrežama, njegovo strukturiranje i isporuku kupcu.

Pitanje broj 2 Klasifikacija inteligentnih informacionih sistema

IIS karakteriziraju sljedeće karakteristike:

Razvijene komunikacijske vještine (način interakcije krajnjeg korisnika sa sistemom);

Sposobnost rješavanja složenih, loše formaliziranih problema koji zahtijevaju konstrukciju originalnog algoritma rješenja u zavisnosti od konkretne situacije, koju karakteriše nesigurnost i dinamizam početnih podataka i znanja;

Sposobnost samoučenja, tj. sposobnost sistema da automatski izvuče znanje iz akumuliranog iskustva i primeni ga za rešavanje problema;

Prilagodljivost je sposobnost sistema da se razvija u skladu sa objektivnim promjenama u oblasti znanja.

Svaka od navedenih karakteristika uslovno odgovara svojoj klasi IMS-a.

1. Sistemi sa inteligentnim interfejsom (komunikacijske vještine):

- Inteligentne baze podataka. Oni omogućavaju, za razliku od tradicionalnih baza podataka, da pruže izbor potrebnih informacija koje nisu prisutne u eksplicitnom obliku, već su izvedene iz skupa pohranjenih podataka.

- Sučelje prirodnog jezika ... Koristi se za pristup inteligentnim bazama podataka, kontekstualno pretraživanje dokumentarnih tekstualnih informacija, glasovni unos komandi u sistemima upravljanja, mašinsko prevođenje sa stranih jezika.

- Hipertekstualni sistemi. Koristi se za implementaciju pretraživanja ključnih riječi u bazama podataka s tekstualnim informacijama.

- Kontekstualni sistemi pomoći . Oni pripadaju klasi sistema za širenje znanja. Takvi sistemi su, po pravilu, prilozi uz dokumentaciju. U ovim sistemima korisnik opisuje problem, a sistem ga na osnovu dodatnog dijaloga konkretizuje i traži preporuke o ovom problemu.

- Kognitivni grafički sistemi . Fokusirani su na komunikaciju sa korisnikom IMS-a putem grafičkih slika koje se generišu u skladu sa promenama parametara simuliranih ili posmatranih procesa. Upotreba kognitivne grafike je posebno važna u sistemima praćenja i operativne kontrole, u sistemima obuke i obuke, u operativnim sistemima donošenja odluka koji rade u realnom vremenu.

2. Ekspertni sistemi(rješavanje složenih loše formaliziranih problema). Koriste se za rješavanje neformaliziranih problema, koji uključuju zadatke koji imaju jednu od sljedećih karakteristika:

Zadaci se ne mogu prikazati numerički;

Početni podaci i saznanja o predmetnoj oblasti su dvosmisleni, netačni, nedosljedni;

Ciljevi se ne mogu izraziti u terminima dobro definisane ciljne funkcije;

Ne postoji jednoznačno algoritamsko rješenje problema;

Osnovna razlika između ES i FII od sistema za obradu podataka je u tome što koriste simbolički, a ne numerički način predstavljanja podataka, a kao metode obrade informacija koriste se postupci zaključivanja i heurističko traženje rješenja.