Inteligentni informacijski sustavi (2) - Sažetak. Cheat Sheet: Inteligentni informacijski sustavi

Predavanje broj 1 IIS

Zbog svoje namjene, inteligentni informacijski sustavi mogu se koristiti u gotovo svakom području 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 izvođača trećih strana.

Kontrola proizvodnih procesa: prikupljanje i analiza aktualnih informacija, komunikacija s agentima koji kontroliraju druge podsustave, donošenje i provedba operativnih odluka.

Upravljanje zračnim prometom: modeliranje i optimizacija dispečerskih aktivnosti zračnih luka.

Poduzetništvo:

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 organizacijskih aktivnosti sa složenom internom logikom i velikim brojem uključenih strana.

· Lijek:

Praćenje bolesnika: kontinuirano prikupljanje, bilježenje i analiza velikog broja praćenih karakteristika stanja bolesnika tijekom dužeg vremenskog razdoblja.

Zdravstvena skrb: mogućnost pregleda i dijagnosticiranja pacijenata pomoću virtualnih stručnjaka iz različitih područja medicine.

· Industrija zabave:

Računalne igre: sposobnost postizanja kvalitativno novih razina korištenjem inteligentnih agenata za različite uključene strane.

Interaktivne aplikacije (televizija, kazalište, kino): agenti mogu stvoriti iluziju stvarnosti radnje koja se odvija, dopuštajući korisniku da u njoj sudjeluje.

Primjeri IIS-a u ekonomiji:

· Inteligentna hedger: pristup problemima osiguranja rizika utemeljen na znanju. Tvrtka: Odjel za informacijski sustav, Sveučilište New York. Problem velikog broja stalno rastućih alternativa osiguranja rizika, brzog donošenja odluka od strane menadžera rizika u sve bržem protoku informacija i nedostatka adekvatne strojne podrške u ranoj fazi razvoja sustava osiguranja rizika sugerira širok raspon različitih optimalna rješenja za menadžere rizika. U ovom sustavu razvoj osiguranja od rizika formuliran je kao višenamjenski problem optimizacije. Ovaj problem optimizacije uključuje nekoliko poteškoća s kojima se postojeća tehnička rješenja ne mogu nositi. Sažetak: Sustav koristi prikaz objekata koji obuhvaća dubinsko znanje o upravljanju rizicima i olakšava oponašanje primarnog razmišljanja koje pokreće rizik, korisno za zaključke i njihova objašnjenja.

· Sustav rasuđivanja u predviđanju valutne razmjene. Firma. Odjel za informatiku Gradsko politehničko sveučilište u Hong Kongu Uvodi novi pristup predviđanju tečajeva koji se temelji na akumulaciji i zaključivanju s podrškom za značajke koje se usredotočuju na skup hipoteza o kretanju tečaja. Predstavljen u prediktivnom sustavu skup značajki je zadani skup ekonomskih vrijednosti i raznih skupova vremenski promjenjivih parametara koji se koriste u modelu predviđanja. Kratke karakteristike: matematička osnova primijenjenog pristupa temelji se na Dempster-Schaeferovoj teoriji.

· Nereida. Sustav za podršku odlučivanju za optimizaciju rada s valutnim opcijama. Tvrtka: NTT Data, The Tokai Bank, Znanstveno sveučilište u Tokiju. Sustav olakšava podršku prodavačima za optimalan odgovor kao jednu od mogućih predstavljenih opcija; praktičniji je i daje bolje odluke od konvencionalnih sustava donošenja odluka. Kratke karakteristike: Sustav je razvijen korištenjem CLP sustava za uokvirivanje, koji lako integrira financijsko područje u AI aplikaciju. Predlaže se mješoviti tip optimizacije koji kombinira heurističko znanje s tehnikama linearnog programiranja. Sustav radi na Sun stanicama.

· PMIDSS: Sustav za podršku odlučivanju o upravljanju portfeljem. Programeri: Financijska grupa Sveučilišta New York. Zadaci koje treba riješiti: odabir portfelja vrijednosnih papira; dugoročno planiranje ulaganja. Kratke karakteristike: mješoviti sustav predstavljanja znanja, korištenje različitih mehanizama zaključivanja: logika, usmjerene semantičke mreže, okviri, pravila.

Trenutno najznačajniji udio u korištenju inteligentnih informacijskih sustava otpada na inteligentne informacijske agente.

Namjena 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 uporabi samog pojma "agent", do sada ne postoji općeprihvaćena definicija ovog pojma. U sljedećem izlaganju pojam inteligentnog agenta tumačit će se u smislu dvije definicije:

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

2. Jaka definicija inteligentnog agenta: inteligentni agent je računalni sustav koji posjeduje navedena svojstva i, osim toga, implementiran je na temelju koncepata koji su najprimjenjiviji na ljude.

U radu su definicije formulirane na nešto drugačiji način u odnosu na gore navedeno: agent se shvaća kao neovisni softverski sustav koji ima sposobnost primanja utjecaja iz vanjskog svijeta, odrediti svoj odgovor na taj utjecaj i izvršiti to reakcija, dok koncept inteligentnog agenta odgovara agentu koji ima niz znanja o sebi i svijetu oko sebe i čije je ponašanje određeno tim znanjem

Uz navedene definicije u literaturi o umjetnoj inteligenciji postoji nekoliko desetaka različitih formulacija definicije agenta, no većina se svodi na prisutnost navedenog skupa ključnih značajki. Razmotrimo detaljnije definirajuća svojstva inteligentnih agenata:

· Autonomija - sposobnost funkcioniranja neovisno o vanjskim kontrolnim radnjama (na primjer, upravljanje operaterom). Visok stupanj autonomije olakšavaju takve sposobnosti agenta kao što su fleksibilni radni algoritmi, sposobnost samoučenja i sposobnost rada s nepotpunim informacijama.

· Reaktivnost – sposobnost agenta da percipira stanje okoline (vanjski svijet) i promjene u tom stanju, kao i da te informacije uzme u obzir u svojoj aktivnosti. Ekstremni oblici korištenja svojstva reaktivnosti su kruta shema rada agenta, u kojoj se radnje izvode prema unaprijed izrađenom planu koji se ne mijenja tijekom izvršenja, te potpuno reaktivan obrazac ponašanja, kada agent nema unaprijed pripremljeni plan i djeluje samo na temelju informacija o trenutnom stanju okoliša.

· Svrhovitost - sposobnost agenta ne samo za reaktivne radnje, već i za svrhovito ponašanje u cilju postizanja nekog zadanog cilja, postavljenog samostalno ili izvana.

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

Primjer inteligentnog agenta je softbot (softverski robot) – sustav koji stupa u interakciju s računalnim okruženjem (na primjer, operativnim sustavom) izvršavanjem naredbi i tumačenjem rezultata naredbi i drugih poruka iz okoline.

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

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

2. Pomoć u obavljanju određenih aktivnosti kroz međuljudsku interakciju na visokoj razini.

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

1. Kooperativni agenti, sposobni ne samo za samostalno izolirano funkcioniranje, već i za zajedničke aktivnosti s drugim agentima, posebice koordinaciju djelovanja, izradu zajedničkih planova i rješavanje sukoba. Primjeri agenata su projekt Plejade Sveučilišta Carnegie Mellon, MII Systems i ADEPT.

2. Agenti sučelja, čija je zadaća komunicirati s korisnikom (a ne s drugim agentima) i pomoći mu u obavljanju neke aktivnosti. Ova vrsta agenta ponekad se naziva i osobni asistent. Postojeće implementacije uključuju različite sustave pomoći, prodajne pomoćnike, sustave za podršku tijeka rada i sustave za zabavu.

3. Mobilni agenti sa mogućnošću obavljanja svojih funkcija na različitim lokacijama unutar staništa. Najprirodnije okruženje za funkcioniranje takvih agenata su različite računalne mreže ili komunikacijski sustavi. Također treba napomenuti da sama mobilnost nije ni nužno ni dovoljno svojstvo inteligentnog agenta.

4. Informacijski agenti pojavili su se kao zasebna klasa kao rezultat hitne potrebe za pretraživanjem, prikupljanjem i obradom velike količine informacija s relativno lakim pristupom. Prije svega, ova skupina uključuje internetske sustave pretraživanja, na primjer, pretraživanje na WWW-u (Jasper, Webwatcher) i filtriranje arhiva news grupa (NewT).

5. Reaktivni agensi čine posebnu skupinu agenasa koji nemaju nikakav unutarnji model okoline, već djeluju samo kao odgovor na određeno stanje okoliša ili promjenu stanja. Primjeri takvih sustava su “situacijski stroj”, razni sustavi za modeliranje društvenog ponašanja i aplikacije za igre.

6. Hibridna sredstva koja kombiniraju značajke svojstvene raznim gore navedenim klasama. U ovu skupinu spada, posebice, InterRRaP, koji kombinira reaktivne i kooperativne module, sustav za praćenje pacijenata Guardian, kao i razne mobilne informacijske agente.

7. Heterogeni sustavi agenasa, za razliku od hibridnih agenasa, sastoje se od nekoliko agenasa koji pripadaju različitim klasama. Glavna motivacija za stvaranje takvih sustava je izgradnja integracije postojećih specijaliziranih sustava (ARCHON), dok je jedno od glavnih pitanja organizacija interakcije između agenata.

Unatoč očitim prednostima i izgledima korištenja inteligentnih agenata u različitim znanstvenim i praktičnim područjima, ovaj pristup također ima niz ograničenja, posebice:

· Nedostatak opće kontrole nad inteligentnim agentima može dovesti do značajnih poteškoća kada je potrebno uzeti u obzir globalna ograničenja, zahtjeve za zajamčenim odgovorom u stvarnom vremenu i zaobići moguće zastoje.

· Nedostatak globalne perspektive: budući da u stvarnosti sustavi temeljeni na agentima ne mogu imati cjelovit sustav znanja o svijetu oko sebe, postavlja se pitanje mogućnosti pronalaženja optimalnih ili suboptimalnih rješenja na temelju 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, trenutačno postoji povećana potražnja za tehnologijom inteligentnih agenata od strane vodećih svjetskih korporacija, što potiče veliki obim istraživačkog rada u ovom području koji se provodi u nekoliko glavnih smjerova:

· Smjer teorije agenata bavi se istraživanjem i razvojem specifikacija, konceptualizacijom agenata, definiranjem svojstava i metodama njihove formalizirane reprezentacije. U radu se ispituju značajke koje razlikuju inteligentne agente od konvencionalnog softvera, te sadrži prilično cjelovit pregled postojećih teorijskih pristupa.

· Smjer arhitekture agenta proučava implementaciju specifikacija, hardverskih i softverskih aspekata problema izgradnje računalnog sustava koji zadovoljava zadana svojstva. Primjeri najpoznatijih arhitektura inteligentnih agenata su: GISA (Generic Intelligent Software Agent), BDI (Belief-Desire-Intention) i FIPA (Foundation for Intelligent Physical Agents).

· Smjer agentskih programskih jezika istražuje načine formalnog opisa teorijskih principa, potragu za optimalnim primitivima kod kodiranja agenata, učinkovitu kompilaciju i izvođenje programa. U ovu skupinu posebno spadaju radovi posvećeni implementaciji agenata za internet i korporativne mreže, proučavanju značajki primjene objektno orijentiranog pristupa i konceptu agentsko orijentiranog programiranja.

U skladu s gore navedenim značajkama IMS se dijele na (ova klasifikacija je jedna od mogućih) (slika 1.):

sustavi s komutativnim mogućnostima (s inteligentnim sučeljem);

ekspertni sustavi (sustavi za rješavanje složenih problema);

sustavi koji samouče (sustavi sposobni za samoučenje);

adaptivni sustavi (adaptivni informacijski sustavi).

Riža. 1. Klasifikacija inteligentnih informacijskih sustava po vrstama sustava

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

Sučelje prirodnog jezika uključuje prijevod konstrukcija prirodnog jezika na in-strojnu razinu reprezentacije znanja. 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, sintaktičku kontrolu - dekompoziciju ulaznih poruka na zasebne komponente (određivanje strukture) uz provjeru usklađenosti s gramatičkim pravilima internog prikaza znanja i utvrđivanje dijelova koji nedostaju i , konačno, semantička analiza – utvrđivanje semantičke ispravnosti sintaktičkih dizajna. Sinteza iskaza rješava inverzni problem transformacije unutarnjeg prikaza informacija u prirodni jezik.

Sučelje prirodnog jezika koristi se za:

pristup inteligentnim bazama podataka;

kontekstualno pretraživanje informacija o dokumentarnom tekstu;

strojno prevođenje sa stranih jezika.

Hipertekstualni sustavi dizajnirani su za implementaciju pretraživanja po ključnim riječima u tekstualnim informacijskim bazama. Inteligentni hipertekstualni sustavi odlikuju se mogućnošću složenije semantičke organizacije ključnih riječi, koja odražava različite semantičke odnose pojmova. Dakle, tražilica prvenstveno radi s bazom znanja ključnih riječi, a tek onda izravno s tekstom. U širem smislu, isto se odnosi i na traženje multimedijskih informacija, uključujući, osim teksta, i digitalne informacije.

Kontekstualni sustavi pomoć se može promatrati kao poseban slučaj sustava inteligentnog hiperteksta i prirodnog jezika. Za razliku od konvencionalnih sustava pomoći, koji korisniku nameću shemu pretraživanja traženih informacija, u kontekstualnim sustavima pomoći korisnik opisuje problem (situaciju), a sustav ga uz pomoć dodatnog dijaloga specificira i sam pretražuje za preporuke vezane za situaciju. Takvi sustavi spadaju u klasu sustava za objavljivanje znanja i nastaju kao prilog dokumentacijskim sustavima (npr. tehnička dokumentacija za rad robe).

Kognitivni grafički sustavi omogućuju implementaciju korisničkog sučelja s IMS-om pomoću grafičkih slika koje se generiraju u skladu s događajima koji se odvijaju. Takvi se sustavi koriste u praćenju i upravljanju operativnim procesima. Grafičke slike u vizualnom i integriranom obliku opisuju mnoge parametre proučavane situacije. Na primjer, stanje složenog kontroliranog objekta prikazano je u obliku ljudskog lica, u kojem je svaka značajka odgovorna za neki parametar, a opći izraz lica daje integrirani opis situacije. Kognitivni grafički sustavi također se široko koriste u sustavima nastave i osposobljavanja koji se temelje na korištenju principa virtualne stvarnosti, kada grafičke slike simuliraju situacije u kojima učenik treba donijeti odluke i izvršiti određene radnje.

Ekspertni sustavi dizajnirani su za rješavanje problema na temelju akumulirane baze znanja koja odražava iskustvo stručnjaka u problematičnom području koje se razmatra.

Sustavi s više agenata. Takve dinamičke sustave karakterizira integracija u bazu znanja nekoliko heterogenih izvora znanja, međusobno razmjenjivanje rezultata dobivenih na dinamičkoj osnovi.

Za višeagentni sustavi karakteristične su sljedeće karakteristike:

provođenje alternativnog zaključivanja temeljenog na korištenju različitih izvora znanja s mehanizmom za otklanjanje proturječnosti;

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

primjena mnogih strategija za rad mehanizma za donošenje zaključaka, ovisno o vrsti problema koji se rješava;

obrada velikih količina podataka sadržanih u bazi podataka;

korištenje različitih matematičkih modela i vanjskih postupaka pohranjenih u bazi modela;

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

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

Karakteristične značajke sustava za samoučenje su:

samoučeći sustavi "s učiteljem", kada se za svaki primjer eksplicitno postavlja vrijednost atributa njegove pripadnosti određenoj klasi situacija (klasoformirajući atribut);

samoučeći sustavi "bez učitelja", kada, prema stupnju bliskosti vrijednosti klasifikacijskih znakova, sam sustav odabire klase situacija.

Induktivni sustavi koristiti generalizaciju primjera po principu od posebnog prema općem. Postupak za klasifikaciju primjera je sljedeći:

Klasifikacijski atribut se bira iz skupa zadanih (bilo uzastopno ili prema nekom pravilu, na primjer, u skladu s najvećim brojem dobivenih podskupova primjera).

Prema vrijednosti odabranog obilježja, mnogi primjeri su podijeljeni u podskupove.

Provjerava pripada li svaki rezultirajući podskup primjera istoj podklasi.

Ako podskup primjera pripada jednoj podklasi, odnosno svi primjeri podskupa imaju istu vrijednost obilježja za formiranje klase, tada se proces klasifikacije završava (dok se preostale klasifikacijske značajke ne uzimaju u obzir).

Za podskupove primjera s neusklađenom vrijednošću atributa koji formira klasu, proces klasifikacije se nastavlja od točke 1 (svaki podskup primjera postaje klasificirani skup).

Neuronske mreže su paralelni računalni uređaji koji se sastoje od mnogih jednostavnih procesora koji međusobno djeluju. Svaki procesor na takvoj mreži bavi se samo signalima koje povremeno prima i signalima koje povremeno šalje drugim procesorima.

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

Potraga za rješenjem problema u ekspertnim sustavima na temelju presedana svodi se na traženje po analogiji (odnosno na abduktivno zaključivanje od posebnog do posebnog).

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

Tipični zadaci operativne situacijske analize su:

definiranje profila potrošača određenih skladišnih objekata;

predviđanje promjena u objektima skladištenja tijekom vremena;

analiza ovisnosti znakova situacija (korelacijske analize).

Prilagodljivi informacijski sustav Je informacijski sustav koji mijenja svoju strukturu u skladu s promjenom modela problematičnog područja.

pri čemu:

adaptivni informacijski sustav mora adekvatno podržati organizaciju poslovnih procesa u svakom trenutku vremena;

prilagodljiv informacijski sustav mora se prilagođavati svaki put kada postoji potreba za reorganizacijom poslovnih procesa;

rekonstrukciju informacijskog sustava treba izvesti brzo i uz minimalne troškove.

Jezgra adaptivnog informacijskog sustava je model problemskog područja (poduzeća), koji se stalno razvija, podržan u posebnoj bazi znanja - repozitorijima. Kernel se koristi za generiranje ili konfiguriranje softvera. Dakle, projektiranje i prilagodba IS-a svodi se prije svega na izradu modela problematičnog područja i njegovu pravovremenu korekciju.

Budući da ne postoji općeprihvaćena definicija, teško je dati jasnu jedinstvenu klasifikaciju inteligentnih informacijskih sustava. Na primjer, ako uzmemo u obzir inteligentne informacijske sustave sa stajališta problema koji se rješava, tada je moguće razlikovati sustave upravljanja i referentne sustave, sustave računalne lingvistike, sustave za prepoznavanje, sustave igara i sustave za stvaranje inteligentnih informacijskih sustava (slika 2).

Pritom sustavi mogu riješiti ne jedan, već nekoliko problema, ili u procesu rješavanja jednog problema mogu riješiti niz drugih. Primjerice, pri podučavanju stranog jezika sustav može rješavati probleme prepoznavanja govora učenika, testirati, odgovarati na pitanja, prevoditi tekstove s jednog jezika na drugi i podržavati prirodno jezično sučelje rada.

Slika 2 - Klasifikacija inteligentnih informacijskih sustava prema zadacima koji se rješavaju

Ako klasificiramo inteligentne informacijske sustave prema kriteriju "korištene metode", zatim se dijele na tvrde, meke i hibridne (slika 3.).

Soft computing Je sofisticirana računalna metodologija koja se temelji na neizrazitoj logici, genetskom računarstvu, neuroračunanju i vjerojatnostnom računanju. Teško računalstvo - tradicionalno računalstvo (ne mekano). Hibridni sustavi- sustavi koji koriste više od jedne računalne tehnologije (u slučaju inteligentnih sustava, tehnologije umjetne inteligencije).

Riža. 3. Klasifikacija inteligentnih informacijskih sustava po metodama

Moguće su i druge klasifikacije, na primjer, razlikuju sustave opće namjene i specijalizirane sustave (slika 4.).

Riža. 4. Klasifikacija inteligentnih sustava prema namjeni

Osim toga, ova shema odražava druga varijanta klasifikacije po metodama: sustavi koji koriste metode predstavljanja znanja, samoorganizirajući sustavi i sustavi stvoreni heurističkim programiranjem. Također u ovoj klasifikaciji, sustavi za generiranje glazbe nazivaju se komunikacijskim sustavima.

Za inteligentne sustave Opća namjena odnosi se na sustave koji ne samo da izvršavaju određene procedure, već na temelju metaprocedura pretraživanja generiraju i izvode procedure za rješavanje novih specifičnih problema.

Specijalizirani inteligentni sustavi izvode rješenje fiksnog skupa zadataka unaprijed određenih u dizajnu sustava.

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

Inteligentni informacijski sustavi

Inteligentni informacijski sustav(IIS) je jedna od vrsta automatiziranih informacijskih sustava, ponekad se IIS naziva sustavom temeljenim na znanju. IIS je kompleks softverskih, jezičnih i logičko-matematičkih alata za provedbu glavnog zadatka: podrška ljudskim aktivnostima i traženju informacija u načinu naprednog dijaloga na prirodnom jeziku.

IIS klasifikacija

• Ekspertni sustavi
  • Pravilni ekspertni sustavi (ES).
  • Interaktivni banneri (web + ES)
• Sustavi pitanja-odgovora (u nekim izvorima "komunikacijski sustavi")
  • Inteligentne tražilice (na primjer, sustav Start)

IMS se može postaviti na bilo koju stranicu na kojoj korisnik postavlja pitanja sustavu na prirodnom jeziku (ako se radi o sustavu pitanje-odgovor) ili, odgovarajući na pitanja sustava, pronalazi potrebne informacije (ako je riječ o stručnom sustavu). Ali, u pravilu, ES na Internetu obavljaju reklamne i informacijske funkcije (interaktivni banneri), a ozbiljni sustavi (kao što je, na primjer, ES za dijagnostiku opreme) koriste se lokalno, jer obavljaju specifične specifične zadatke.
Inteligentne tražilice razlikuju se od virtualnih sugovornika po tome što su prilično bezlične i kao odgovor na pitanje daju neki izvadak iz izvora znanja (ponekad prilično velikog volumena), a sugovornici imaju "karakter", poseban način komunikacije (znaju sleng, psovke), a njihovi odgovori trebaju biti što sažetiji (ponekad čak i samo u obliku emotikona, ako odgovara kontekstu :-)).

Logički jezici (Prolog, Lisp, itd.) su se ranije koristili za razvoj IMS-a, a sada se koriste različiti proceduralni jezici. Logička i matematička podrška razvijena je kako za module samih sustava, tako i za spajanje ovih modula. Međutim, danas ne postoji univerzalni logičko-matematički sustav koji bi mogao zadovoljiti potrebe bilo kojeg IMS developera, pa morate ili kombinirati nagomilano iskustvo ili sami razvijati logiku sustava. U području lingvistike također postoje brojni problemi, na primjer, da bi se osigurao rad sustava u načinu dijaloga s korisnikom na prirodnom jeziku, potrebno je u sustav staviti algoritme za formaliziranje prirodnog jezika, a taj se zadatak pokazao mnogo kompliciranijim nego što se pretpostavljalo u osvit razvoja inteligentnih sustava. Drugi problem je stalna varijabilnost jezika, koja se nužno mora odraziti na sustave umjetne inteligencije.

Osiguravanje rada IIS-a

• Matematički
• lingvistički
• Informacija
• Semantički
• Softver
• Tehnički
• tehnološke
• Osoblje

Klasifikacija zadataka koje rješava IIS

• Tumačenje podataka... Ovo je jedan od tradicionalnih zadataka za ekspertne sustave. Tumačenje se odnosi na proces određivanja značenja podataka čiji rezultati moraju biti dosljedni i točni. U pravilu se predviđa multivarijantna analiza podataka.
• Dijagnostika... Dijagnostika se odnosi na proces povezivanja objekta s određenom klasom objekata i/ili otkrivanja kvara u određenom sustavu. Neispravnost je odstupanje od norme. Ovo tumačenje omogućuje razmatranje, s jedinstvenog teoretskog stajališta, neispravnosti opreme u tehničkim sustavima, bolesti živih organizama i svih vrsta prirodnih anomalija. Važna specifičnost ovdje je potreba za razumijevanjem funkcionalne strukture ("anatomije") dijagnostičkog sustava.
• Praćenje... Glavni zadatak praćenja je kontinuirana interpretacija podataka u stvarnom vremenu i signaliziranje da su određeni parametri izvan dopuštenih 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.
• Oblikovati... Dizajn se sastoji u pripremi specifikacija za stvaranje "objekata" s unaprijed definiranim svojstvima. Specifikacija znači cijeli skup potrebnih dokumenata - crtež, objašnjenje itd. Glavni problemi ovdje su dobivanje jasnog strukturalnog opisa znanja o objektu i problem "otiska stopala". Za organiziranje učinkovitog dizajna i, u još većoj mjeri, redizajniranja potrebno je formirati ne samo same dizajnerske odluke, već i motive za njihovo donošenje. Dakle, u projektantskim zadacima dva su glavna procesa usko povezana, koja se izvode u okviru odgovarajućeg ES-a: proces zaključivanja rješenja i proces objašnjenja.
• Prognoziranje... Predviđanje vam omogućuje predviđanje posljedica određenih događaja ili pojava na temelju analize dostupnih podataka. Prediktivni sustavi logički zaključuju vjerojatne posljedice iz zadanih situacija. U prediktivnom sustavu obično se koristi parametarski dinamički model u kojem se vrijednosti parametara "prilagođuju" danoj situaciji. Posljedice koje proizlaze iz ovog modela čine osnovu za predviđanja s vjerojatnostim procjenama.
• Planiranje... Planiranje se odnosi na pronalaženje akcijskih planova vezanih uz objekte koji su sposobni obavljati neke funkcije. U takvim ES koriste se modeli ponašanja stvarnih objekata kako bi se logički zaključile posljedice planirane aktivnosti.
• Obrazovanje... Učenje se odnosi na korištenje računala za podučavanje discipline ili predmeta. Sustavi za učenje dijagnosticiraju pogreške u proučavanju discipline pomoću računala i predlažu ispravne odluke. Akumuliraju znanje o hipotetičkom "učeniku" i njegovim karakterističnim pogreškama, zatim u svom radu mogu dijagnosticirati slabosti u znanju učenika i pronaći odgovarajuća sredstva za njihovo otklanjanje. Osim toga, planiraju čin komunikacije s učenikom, ovisno o napredovanju učenika, radi prenošenja znanja.
• Kontrolirati... Upravljanje se shvaća kao funkcija organiziranog sustava koji podržava određeni način djelovanja. ES ove vrste kontroliraju ponašanje složenih sustava u skladu s zadanim specifikacijama.
• Podrška odlučivanju... Potpora odlučivanju skup je postupaka koji donositelju 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 sustavi temeljeni na znanju mogu se podijeliti na sustave koji rješavaju probleme analize i sustave 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 sustav, tada 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 također

Linkovi

• Udruga za umjetnu inteligenciju na internetu alicebot.org

Zaklada Wikimedia. 2010.

Pogledajte što je "Inteligentni informacijski sustavi" u drugim rječnicima:

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

inteligentni sustavi- INTELEKTUALNI SUSTAVI (od latinskog intellectus um, razum) računalni sustavi koji implementiraju neke od značajki ljudske inteligencije, omogućujući svladavanje teških zadataka čije rješavanje osoba u stvarnom vremenu ... ... Enciklopedija epistemologije i filozofije znanosti

- (IT, od engleskog informacijska tehnologija, IT) široka klasa disciplina i područja djelovanja vezanih uz tehnologije za upravljanje i obradu podataka, uključujući korištenje računalne tehnologije. Nedavno, pod informacijama ... ... Wikipedia

Institut za automatizaciju i računalno inženjerstvo Moskovskog energetskog instituta (Tehničko sveučilište) ... Wikipedia

Moskovsko državno sveučilište za instrumentaciju i informatiku (MGUPI) Osnovano 1936. Rektor ... Wikipedia

Moskovsko državno sveučilište za instrumentaciju i informatiku (MGUPI) Osnovano 1936. Rektor ... Wikipedia

Moskovsko državno sveučilište za instrumentaciju i informatiku (MGUPI) Osnovano 1936. Rektor ... Wikipedia

Donošenje odluka o radnjama ili ponašanju u danoj situaciji bilo kojeg subjekta (ljudi, roboti, složeni sustavi upravljanja) provodi se na temelju informacijskih procesa. Informacijski proces implementira odnos između objekta i subjekta (slika 1.1) i predstavlja subjektovu percepciju objektivne stvarnosti u obliku podataka, obradu tih podataka u skladu s ciljnom postavkom i dostupnim znanjima o ovisnostima činjenice u informaciju.

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

Sintaktički aspekt je prikaz objektivne stvarnosti u bilo kojem okruženju i na bilo kojem jeziku, a to su podaci.

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

Pragmatički aspekt je procjena korisnosti stečenog novog znanja (prirasta znanja) subjekta u skladu s ciljnom postavkom za donošenje odluke, odnosno dobivanje informacija u užem smislu.

U širem smislu, informacija se shvaća kao sva tri aspekta refleksije informacijskog procesa.

Svaki računalni informacijski sustav (IS) koji provodi 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 sustavu u skladu s poznati algoritam i generira potrebne izlazne informacije. Sa stajališta 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, te alat (oprema) je znanje, uz pomoć kojeg se podaci pretvaraju u informaciju.

Znanja o subjektima informacijskog procesa mogu se prezentirati u raznim oblicima. Kod ljudi se znanje prezentira ili u nedokumentiranom (implicitnom, izravno u glavi) obliku ili u dokumentiranom (eksplicitnom, knjižnom) obliku. Štoviše, dokumentirani tekstualni oblik prikaza znanja u obliku udžbenika, pravilnika, uputa itd. nije dobro prikladan za brzo izvlačenje potrebnog znanja prilikom opravdavanja konkretnih odluka. Implicitno znanje stručnjaka općenito je teško dostupno za korištenje u rješavanju problema od strane drugih stručnjaka.

Računalni informacijski sustavi, koji djeluju kao subjekti informacijskog procesa, dizajnirani su da pojednostave proces korištenja znanja u rješavanju problema donošenja odluka. Za to se znanje mora strukturirati i zapamtiti za kasniju ponovnu upotrebu.

Znanje ima dvojaku prirodu: činjeničnu i operativnu:

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

Operativno znanje odražava ovisnosti i odnose između objekata koji vam omogućuju tumačenje podataka ili izdvajanje informacija iz njih. Operativno znanje se prezentira ili u algoritamskom obliku ili u deklarativnom obliku u obliku posebnih strukturiranih baza znanja.

Često se činjenično znanje naziva ekstenzijskim (detaljnim), a operativno znanje intenzivnim (generaliziranim).

Informacijski proces uz pomoć računalnog informacijskog sustava svodi se na adekvatnu kombinaciju operativnih i činjeničnih znanja te se u različitim vrstama IS-a izvodi na različite načine. Najlakši način da ih povežete je unutar jedne aplikacije:

Neimenovani dokument

Dakle, operativno znanje (algoritam) i činjenično znanje (struktura podataka) međusobno su neodvojivi. Međutim, ako tijekom rada IS-a postane jasna potreba za izmjenom jedne od dviju komponenti programa, tada će se morati ponovno napisati. To je zbog činjenice da samo programer IS-a ima puno znanje o problemskom području, a program služi kao "bezdušni izvršitelj" znanja programera. Krajnji korisnik, zbog proceduralne i strojne orijentacije prikaza 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 informacijskim potrebama. Osim toga, zbog determiniranosti algoritama zadataka koji se rješavaju, IS nije u stanju formirati korisnikovo znanje o radnjama u nepotpuno definiranim situacijama. U sustavima baziranim na obradi baza podataka (DBS – Data Base Systems) stvarno i operativno znanje međusobno su odvojeni. Prvi je organiziran u obliku baze podataka, drugi u obliku programa. Štoviše, program se može automatski generirati na zahtjev korisnika (na primjer, implementacija SQL ili QBE upita). Softverski alat za pristup podacima, sustav za upravljanje bazom podataka (DBMS), djeluje kao posrednik između programa i baze podataka:

Neimenovani dokument

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

Koncept neovisnosti programa od podataka omogućuje povećanje fleksibilnosti IS-a za izvršavanje proizvoljnih zahtjeva za informacijama. Međutim, ta fleksibilnost, zbog proceduralnog prikaza operativnog znanja, ima dobro definirane granice. Da bi formulirao informacijski zahtjev, korisnik mora jasno razumjeti strukturu baze podataka i, u određenoj mjeri, algoritam za rješavanje problema. Posljedično, korisnik mora imati dovoljno dobro razumijevanje problematičnog područja, logičke strukture baze podataka i algoritma programa. Konceptualna shema baze podataka djeluje uglavnom samo kao posrednica u procesu preslikavanja logičke strukture podataka u strukturu podataka aplikacijskog programa.

Opći nedostaci tradicionalnih informacijskih sustava, u koje spadaju sustavi prva dva tipa, su slaba prilagodljivost promjenama u predmetnom području i informacijskim potrebama korisnika, u nemogućnosti rješavanja loše formaliziranih zadataka s kojima se menadžerski radnici neprestano bave. Navedeni nedostaci su otklonjeni u inteligentni informacijski sustavi (IIS).

Analiza strukture programa pokazuje mogućnost izdvajanja operativnog znanja (pravila transformacije podataka) iz programa u tzv. bazu znanja koja u deklarativnom obliku pohranjuje jedinice znanja uobičajene za različite zadatke. U tom slučaju upravljačka struktura poprima karakter univerzalnog mehanizma za rješavanje problema (mehanizam inferencije), koji povezuje jedinice znanja u izvršne lance (generirane algoritme), ovisno o specifičnoj formulaciji problema (formuliranom u zahtjevu za cilj i početni uvjeti). Takvi IS-ovi postaju sustavi temeljeni na obradi znanja (KBZ - Knowledge Base (Based) Systems):

Neimenovani dokument

Sljedeći korak u razvoju inteligentnih informacijskih sustava je izdvajanje u samostalni podsustav ili spremište meta-znanja, koje opisuje strukturu operativnog i činjeničnog znanja i odražava model problematičnog područja. U takvim se sustavima i programi i strukture podataka generiraju ili sastavljaju iz jedinica znanja opisanih u repozitoriju, svaki put kada se promijeni model problematičnog područja. IIS, procesiranje meta-znanja, nazvat ćemo sustave temeljene na modelima (SBM - Model Based Systems):

Neimenovani dokument

Za inteligentne informacijske sustave usmjerene na generiranje algoritama za rješavanje problema karakteristične su sljedeće značajke:

Razvijene komunikacijske vještine,

Sposobnost rješavanja složenih loše formaliziranih problema,

Sposobnost samoučenja,

Odaziv.

IIS komunikacijske vještine okarakterizirati način interakcije (sučelja) krajnjeg korisnika sa sustavom, posebice sposobnost formuliranja proizvoljnog zahtjeva u dijalogu s IMS-om na jeziku koji je što bliže prirodnom.

Složeni loše formalizirani 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 sustava u skladu s objektivnim promjenama u modelu problematičnog područja.

U raznim IIS-ima navedeni su znakovi intelektualnosti razvijeni u nejednakom stupnju i rijetko kada se sva četiri znaka ostvaruju istovremeno. Konvencionalno, svaki od znakova inteligencije ima svoju IIS klasu (slika 1.2):

Inteligentni sustavi sučelja;

Ekspertni sustavi;

Sustavi za samoučenje;

Prilagodljivi sustavi.

Sva četiri znaka inteligencije su, u jednoj ili drugoj mjeri, implementirana u sustave upravljanja znanjem.

Inteligentne baze podataka razlikuju se od konvencionalnih baza podataka po mogućnosti dohvaćanja potrebnih informacija na zahtjev, koje se ne moraju eksplicitno pohraniti, već se izvode iz informacija dostupnih u bazi podataka. Implicitne informacije prikazuju se tumačenjem sljedećih ovisnosti:

Računalne ovisnosti atributa, na primjer, "prikaz popisa proizvoda čija je cijena viša od prosjeka industrije",

Strukturni odnosi objekata, na primjer, "prikaz popisa zamjenskih proizvoda za neke proizvode",

Logičke ovisnosti čimbenika donošenja odluka, na primjer, "prikazuju popis potencijalnih kupaca određenog proizvoda".

Da biste ispunili prvu vrstu upita, prvo morate izvršiti statistički izračun prosječne cijene industrije za cijelu bazu podataka, a tek nakon toga stvarni odabir podataka.

Da biste izvršili drugu vrstu upita, morate prikazati vrijednosti karakterističnih značajki objekta, a zatim pomoću njih tražiti slične objekte.

Treća vrsta upita zahtijeva da prvo identificirate popis preprodavača koji prodaju određeni artikl, a zatim potražite povezane kupce.

U svim navedenim vrstama upita potrebno je tražiti po uvjetu, koji se mora dodatno definirati tijekom rješavanja problema. Inteligentni sustav, bez pomoći korisnika, gradi put pristupa datotekama podataka na temelju strukture baze podataka. Formuliranje zahtjeva provodi se u dijalogu s korisnikom, čiji se slijed koraka izvodi u najprikladnijem obliku za korisnika. Upit baze podataka također se može formulirati korištenjem sučelja prirodnog jezika.

Sučelje prirodnog jezika uključuje prijevod konstrukcija prirodnog jezika na in-strojnu razinu reprezentacije znanja. 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, sintaktičku kontrolu - dekompoziciju ulaznih poruka na zasebne komponente (određivanje strukture) uz provjeru usklađenosti s gramatičkim pravilima internog prikaza znanja i utvrđivanje dijelova koji nedostaju i , konačno, semantička analiza – utvrđivanje semantičke ispravnosti sintaktičkih dizajna. Sinteza iskaza rješava inverzni problem transformacije unutarnjeg prikaza informacija u prirodni jezik.

Sučelje prirodnog jezika koristi se za:

Pristup inteligentnim bazama podataka;

Kontekstualno pretraživanje informacija o dokumentarnom tekstu;

Strojno prevođenje sa stranih jezika.

Hipertekstualni sustavi dizajnirani su za implementaciju pretraživanja po ključnim riječima u tekstualnim informacijskim bazama. Inteligentni hipertekstualni sustavi odlikuju se mogućnošću složenije semantičke organizacije ključnih riječi, koja odražava različite semantičke odnose pojmova. Dakle, tražilica prvenstveno radi s bazom znanja ključnih riječi, a tek onda izravno s tekstom. U širem smislu, navedeno se odnosi na traženje multimedijskih informacija koje osim tekstualnih i digitalnih informacija uključuju grafičke, audio i video slike.

Kontekstualni sustavi pomoći može se smatrati posebnim slučajem inteligentnih hiperteksta i sustava prirodnog jezika. Za razliku od konvencionalnih sustava pomoći, koji korisniku nameću shemu pretraživanja traženih informacija, u kontekstualnim sustavima pomoći korisnik opisuje problem (situaciju), a sustav ga uz pomoć dodatnog dijaloga specificira i sam pretražuje za preporuke vezane za situaciju. Takvi sustavi spadaju u klasu sustava za objavljivanje znanja i nastaju kao prilog dokumentacijskim sustavima (npr. tehnička dokumentacija za rad robe).

Kognitivni grafički sustavi omogućuju implementaciju korisničkog sučelja s IMS-om pomoću grafičkih slika koje se generiraju u skladu s događajima koji se odvijaju. Takvi se sustavi koriste u praćenju i upravljanju operativnim procesima. Grafičke slike u vizualnom i integriranom obliku opisuju mnoge parametre proučavane situacije. Na primjer, stanje složenog kontroliranog objekta prikazano je u obliku ljudskog lica, u kojem je svaka značajka odgovorna za neki parametar, a opći izraz lica daje integrirani opis situacije.

Kognitivni grafički sustavi također se široko koriste u sustavima nastave i osposobljavanja koji se temelje na korištenju principa virtualne stvarnosti, kada grafičke slike simuliraju situacije u kojima učenik treba donijeti odluke i izvršiti određene radnje.

Imenovanje ekspertnih sustava sastoji se u rješavanju problema koji su stručnjacima prilično teški na temelju akumulirane baze znanja koja odražava iskustvo stručnjaka u problematičnom području koje se razmatra. Prednost korištenja ekspertnih sustava leži u mogućnosti donošenja odluka u jedinstvenim situacijama za koje algoritam nije unaprijed poznat i formira se od početnih podataka u obliku lanca zaključivanja (pravila odlučivanja) iz baze znanja. . Štoviše, rješavanje problema bi se trebalo provoditi u uvjetima nepotpunosti, nepouzdanosti, dvosmislenosti početnih informacija i kvalitativnih procjena procesa.

Stručni sustav je alat koji poboljšava intelektualne sposobnosti stručnjaka, a može obavljati sljedeće uloge:

Savjetnik za neiskusne ili neprofesionalne korisnike;

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

Stručni partner za pitanja vezana uz izvore znanja iz srodnih područja djelovanja.

Ekspertni sustavi koriste se u mnogim područjima, među kojima je segment aplikacija u poslovanju vodeći (slika 1.3).

Ekspertna arhitektura sustava uključuje dvije glavne komponente: bazu znanja (pohranu jedinica znanja) i softverski alat za pristup i obradu znanja, koji se sastoji od mehanizama za donošenje zaključaka (odluka), stjecanje znanja, objašnjenje dobivenih rezultata i inteligentno sučelje (slika 1.4) . Štoviše, središnja komponenta ekspertnog sustava je baza znanja koja u odnosu na ostale komponente djeluje kao smisleni podsustav koji čini glavnu vrijednost. Ocjenjuje se "know-how" baze znanja dobrog ekspertnog sustava stotine tisuća dolara, dok je komplet softverskih alata u tisuće ili desetke tisuća 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 provode, 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:

Neimenovani dokument

Faktori izvjesnosti (CF) obično su ili uvjetne vjerojatnosti Bayesovog pristupa (od 0 do 1) ili koeficijenti pouzdanosti neizrazite logike (od 0 do 100). Primjeri pravila su sljedeći:

Neimenovani dokument

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 postavljen je na S), svojstveno cijelim klasama objekata ili pridruženim procedurama (procesima). Primjer okvira prikazan je na Sl. 1.5.

Inteligentno sučelje. Razmjenu podataka između krajnjeg korisnika i ES-a obavlja program inteligentnog sučelja koji percipira poruke korisnika i pretvara ih u oblik prikaza baze znanja i, obrnuto, pretvara interni prikaz rezultata obrade u format korisnika. i šalje poruku na traženi medij. Najvažniji uvjet za organizaciju dijaloga korisnika s ES-om je prirodnost, što doslovno ne znači formuliranje potreba korisnika rečenicama prirodnog jezika, iako to u nizu slučajeva nije isključeno. Važno je da slijed rješavanja problema bude fleksibilan, u skladu s percepcijom korisnika i vođen u stručnom smislu.

Mehanizam za povlačenje. Ovaj softverski alat prima zahtjev pretvoren u interni prikaz iz inteligentnog sučelja, formira specifičan algoritam za rješavanje problema iz baze znanja, izvršava algoritam, a rezultirajući rezultat se prikazuje inteligentnom sučelju kako bi se odgovorilo na zahtjev korisnika.

Korištenje bilo kojeg mehanizma zaključivanja temelji se na procesu pronalaženja, u skladu s ciljem i opisom konkretne situacije (početni podaci), jedinica znanja (pravila, objekata, presedana itd.) povezanih s rješenjem i povezivanjem. ih, ako je potrebno, u lanac rasuđivanja koji vodi do određenog rezultata.

Za predstavljanje znanja u obliku pravila, to može biti izravni (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 više razine u klase niže razine (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 pružiti odgovarajući mehanizam objašnjenja. Sposobnosti objašnjenja 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 zatraže određeni podaci, sustav uvijek može izdati lanac obrazloženja na traženu kontrolnu točku, popratiti izdavanje objašnjenja s unaprijed pripremljenim komentarima. U nedostatku rješenja problema, korisniku treba automatski dati objašnjenje. Korisno je imati mogućnost hipotetičkog objašnjenja rješenja problema, kada sustav odgovara na pitanja što će se dogoditi u jednom ili drugom slučaju.

Međutim, korisnika možda neće uvijek zanimati potpuni rezultat rješenja, koji sadrži mnogo nepotrebnih detalja. U tom slučaju sustav bi trebao moći odabrati samo ključne točke iz lanca, uzimajući u obzir njihovu važnost i razinu znanja korisnika. Da bi se to postiglo, baza znanja treba održavati model znanja i namjera korisnika. Ako korisnik i dalje ne razumije primljeni odgovor, tada bi sustav trebao biti u mogućnosti naučiti korisnika određenim fragmentima znanja u dijalogu na temelju podržanog modela problemskog znanja, tj. kako bi se detaljnije otkrili pojedinačni koncepti i ovisnosti, čak i ako ti detalji nisu izravno korišteni u izlazu.

Mehanizam stjecanja znanja. Baza znanja odražava znanje stručnjaka (specijalista) u danom problemskom području o postupanju u različitim situacijama ili procesima rješavanja tipičnih problema. Identificiranje takvih znanja i njihovo naknadno predstavljanje u bazi znanja provode stručnjaci tzv inženjeri znanja... Za unos znanja u bazu podataka i njezino ažuriranje, ES mora imati mehanizam za stjecanje znanja. U najjednostavnijem slučaju, to je inteligentni uređivač koji vam omogućuje da unesete jedinice znanja u bazu i izvršite njihovu sintaktičku i semantičku kontrolu, na primjer, radi dosljednosti. U složenijim slučajevima, mehanizam za stjecanje znanja omogućuje vam da izvučete znanje kao rezultat korištenja posebnih scenarija za intervjuiranje stručnjaka, ili iz ulaznih primjera stvarnih situacija, kao u slučaju induktivnog zaključivanja, ili iz tekstova, ili iz iskustva samog intelektualnog sustava.

Klase ekspertnih sustava. Prema stupnju složenosti zadataka koji se rješavaju, ekspertni sustavi se mogu klasificirati na sljedeći način:

Načinom formiranja odluke ekspertni sustavi podijeljeni su u dvije klase: analitički i sintetički... Analitički sustavi uključuju izbor rješenja iz skupa poznatih alternativa (određivanje karakteristika objekata), a sintetički sustavi - generiranje nepoznatih rješenja (formiranje objekata).

Metodom obračuna privremenog pokazatelja ekspertni sustavi mogu biti statički ili dinamičan... Statički sustavi rješavaju probleme s nepromijenjenim podacima i znanjem u procesu rješavanja, dinamički sustavi dopuštaju takve promjene. Statički sustavi provode monotono neprekinuto rješavanje problema od unosa početnih podataka do konačnog rezultata, dinamički sustavi daju mogućnost revizije prethodno dobivenih rezultata i podataka u procesu rješavanja.

Po vrstama korištenih podataka i znanja ekspertni sustavi se klasificiraju u sustave sa deterministički(dobro definirano) znanje i neizvjesno znanje. Nesigurnost znanja (podataka) podrazumijeva se kao njihova nepotpunost (odsutnost), nepouzdanost (netočnost mjerenja), dvosmislenost (dvosmislenost pojmova), nejasnost (kvalitativno ocjenjivanje umjesto kvantitativne).

Po broju korištenih izvora znanja ekspertni sustavi mogu se izgraditi pomoću jedan ili mnoštva izvori znanja. Izvori znanja mogu biti alternativni (mnogi svjetovi) ili komplementarni (surađujući).

U skladu s navedenim karakteristikama klasifikacije, u pravilu se razlikuju sljedeće četiri glavne klase ekspertnih sustava (slika 1.8)

Klasifikacija ekspertnih sustava. Analitički zadaci prvenstveno uključuju zadaće prepoznavanja različitih situacija, kada se bit određene situacije otkriva skupom zadanih atributa (faktora), ovisno o kojima se odabire određeni slijed radnji. Dakle, u skladu s početnim uvjetima, među alternativnim rješenjima nalazi se jedno koje najbolje zadovoljava cilj i ograničenja.

Ekspertni sustavi koji rješavaju probleme prepoznavanja situacija nazivaju se klasifikacijskim sustavima, jer određuju pripadnost analizirane situacije određenoj klasi. Kao glavna metoda donošenja odluka koristi se metoda logičkog deduktivnog zaključivanja od općeg prema posebnom, kada se određeni zaključak dobiva zamjenom početnih podataka u određeni skup međusobno povezanih općih iskaza.

Redefiniranje ekspertnih sustava. Složeniji tip analitičkog problema je onaj koji se rješava na temelju nesigurnih početnih podataka i primijenjenih znanja. Ekspertni sustav bi u tom slučaju trebao, takoreći, redefinirati nedostajuće znanje, a u prostoru rješenja može se dobiti nekoliko mogućih rješenja s različitom vjerojatnošću ili povjerenjem u potrebu njihove implementacije. Bayesov probabilistički pristup, koeficijenti povjerenja, neizrazita logika mogu se koristiti kao metode za rješavanje nesigurnosti. Dodatno definiranje ekspertnih sustava 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 klasifikacijskog i redefinirajućeg tipa karakteristično je sljedeće problematična područja:

Tumačenje podataka- izbor rješenja iz fiksnog skupa alternativa na temelju unesenih informacija o trenutnoj situaciji. Glavna svrha je utvrditi bit situacije koja se razmatra, izbor hipoteza na temelju njihovih činjenica. Tipičan primjer je ekspertni sustav za analizu financijskog stanja poduzeća.

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

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

Transformacija ekspertnih sustava. Za razliku od analitičkih statičkih ekspertnih sustava, sintetiziranje dinamičkih ekspertnih sustava podrazumijeva ponavljajuću transformaciju znanja u procesu rješavanja problema, što je povezano s prirodom rezultata koji se ne može unaprijed odrediti, kao i s dinamikom procesa. samo problemsko područje.

Kao metode za rješavanje problema u transformaciji ekspertnih sustava koriste se varijante hipotetskog zaključivanja:

Generiranje i testiranje, kada se generiraju hipoteze prema početnim podacima, a zatim se formulirane hipoteze provjeravaju na potvrdu pristiglim činjenicama;

Pretpostavke i zadane vrijednosti, kada se znanje o sličnim klasama objekata odabire na temelju nepotpunih podataka, koji se zatim dinamički prilagođavaju specifičnoj situaciji ovisno o njezinom razvoju;

Korištenje općih obrazaca (meta-kontrola) u slučaju nepoznatih situacija, omogućujući stvaranje znanja koje nedostaje.

Sustavi s više agenata. Takve dinamičke sustave karakterizira distribuirano rješavanje problema pomoću nekoliko softverskih agenata, od kojih svaki ima svoju bazu znanja i mehanizam zaključivanja. Softverski agenti, u pravilu, provode upute ljudi, subjekata rješavanja problema, te se u tom smislu zamjenjuju. Istovremeno reagiraju na događaje u vanjskom okruženju (reaktivni agensi), obrađuju situacije, donose odluke, prenose rezultate rješavanja problema korisnicima i vanjskom okruženju. Najinteligentniji (kognitivni) agenti sposobni su naučiti i promijeniti pravila svog ponašanja.

Zajedničkim rješavanjem problema od strane više softverskih agenata formiraju se multiagentski sustavi (MAC) s centraliziranim ili decentraliziranim upravljanjem. U prvom slučaju, MAC mora imati barem jednog agenta, koji djeluje kao koordinator (dispečer), planira i kontrolira provedbu procesa. U drugom slučaju svi su agenti neovisni u svom ponašanju. Integracija rada softverskih agenata i odgovarajućih izvora znanja provodi se na dinamičnoj osnovi razmjenom rezultata između njih, na primjer, putem "objave" (sl. 1.9).

Sljedeće značajke karakteristične su za sustave s više agenata:

Provođenje alternativnog zaključivanja temeljenog na korištenju različitih izvora znanja s mehanizmom za otklanjanje proturječnosti;

Distribuirano rješavanje problema, koji su podijeljeni na paralelno riješene podprobleme koji odgovaraju neovisnim izvorima znanja;

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

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

Korištenje različitih matematičkih modela i vanjskih postupaka pohranjenih u bazi modela;

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

Za sintetiziranje dinamičkih ekspertnih sustava najprikladniji su sljedeći problematična područja:

Oblikovati- definiranje konfiguracije objekata u smislu postizanja specificiranih kriterija i ograničenja izvedbe, na primjer, dizajniranje proračuna poduzeća, investicijskog portfelja, konfiguracije proizvoda u e-trgovini.

Prognoziranje- predviđanje posljedica razvoja trenutnih situacija na temelju matematičkog i heurističkog modeliranja, na primjer, predviđanje trendova u trgovanju na burzi.

Planiranje- izbor redoslijeda radnji korisnika za postizanje postavljenog cilja, na primjer, planiranje opskrbnih lanaca proizvoda (upravljanje lancem opskrbe).

Otpremanje- raspodjela rada u vremenu, zakazivanje, na primjer, raspored tijekova rada (workflow).

Praćenje- praćenje trenutnog stanja uz moguću naknadnu korekciju. Za to se provode dijagnostika, predviđanje i, ako je potrebno, planiranje i ispravljanje radnji korisnika, na primjer, praćenje prodaje gotovih proizvoda.

Kontrolirati- praćenje, dopunjeno provedbom radnji u automatskim sustavima, na primjer, donošenje odluka u trgovanju na burzi.

Prema publikaciji, koja analizira 12.500 operativnih stručnih sustava, raspodjela stručnih sustava po problemskim područjima je sljedeća (slika 1.10):

Sustavi za samoučenje temelje se na metodama automatske klasifikacije primjera situacija iz stvarnog života (učenje primjerom). Primjeri stvarnih situacija nakupljaju se tijekom određenog povijesnog razdoblja i iznose uzorak za obuku... Ovi primjeri su opisani raznim klasifikacijskim značajkama. Štoviše, uzorak obuke može biti:

“S učiteljem”, kada se za svaki primjer eksplicitno postavlja vrijednost atributa njegove pripadnosti određenoj klasi situacija (klasoformirajući atribut);

„Bez učitelja“, kada sam sustav identificira klase situacija na temelju stupnja bliskosti vrijednosti klasifikacijskih obilježja.

Kao rezultat osposobljavanja sustava, automatski se konstruiraju generalizirana pravila ili funkcije koje određuju pripadnost situacija klasama koje obučeni sustav koristi prilikom tumačenja novih situacija koje nastaju. Tako se automatski generira baza znanja koja se koristi u rješavanju problema klasifikacije i predviđanja. Ova baza znanja povremeno se automatski prilagođava kako se iskustvo stječe iz stvarnih situacija, što vam omogućuje smanjenje troškova njezine izrade i ažuriranja.

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

Moguća je nepotpunost i/ili bučnost (redundantnost) uzorka za obuku i, kao posljedica toga, relativna primjerenost baze znanja nastalim problemima;

Postoje problemi povezani s slabom semantičkom jasnoćom ovisnosti značajki i, kao posljedicom, nemogućnošću objašnjenja rezultata korisnicima;

Ograničenja u dimenziji prostora značajki uzrokuju plitak opis problematičnog područja i uski fokus primjene.

Induktivni sustavi. Generaliziranje primjera prema načelu od posebnog do općeg svodi se na identifikaciju podskupova primjera koji pripadaju istim podklasama i definiranje značajnih obilježja za njih.

Postupak za klasifikaciju primjera je sljedeći:

1. Klasifikacijsko obilježje bira se iz skupa zadanih (bilo uzastopno, ili prema nekom pravilu, na primjer, u skladu s najvećim brojem dobivenih podskupova primjera);

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

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

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

5. Za podskupove primjera s neusklađenom vrijednošću atributa koji formira klasu, proces klasifikacije se nastavlja od točke 1. (Svaki podskup primjera postaje klasificirani skup).

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

Tablica 1.1

Neimenovani dokument

Učionica znak	Klasifikacijski znakovi
		Natjecanje	Troškovi	Kvaliteta
		mali	mali
		mali
		mali
		mali	mali
		mali	mali
		mali

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

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).

Neuronske mreže. Kao rezultat učenja na primjerima grade se matematičke funkcije odlučivanja (prijenosne funkcije ili aktivacijske funkcije) koje određuju ovisnosti između ulaznih (Xi) i izlaznih (Yj) značajki (signala) (sl. 1.12).

Svaka takva funkcija, nazvana po analogiji s elementarnom jedinicom ljudskog mozga - neuronom, prikazuje ovisnost vrijednosti izlazne značajke (Y) o ponderiranom zbroju (U) vrijednosti ulaznih značajki (Xi ), u kojem težina ulazne značajke (Wi) pokazuje stupanj utjecaja značajke unosa na slobodan dan:

odabir "> sl. 1.13).

Neuroni se mogu međusobno povezati kada je izlaz jednog neurona ulaz drugog. Tako se gradi neuronska mreža (slika 1.14), u kojoj neuroni smješteni na istoj razini tvore slojeve.

Trening neuronske mreže svodi se na određivanje veza (sinapsa) između neurona i utvrđivanje snage tih veza (težinski koeficijenti). Algoritmi za treniranje neuronske mreže pojednostavljeni su za određivanje ovisnosti težinskog koeficijenta povezanosti dvaju neurona o broju primjera koji potvrđuju tu ovisnost.

Najčešći algoritam učenja neuronske mreže je algoritam povratnog širenja pogreške. Funkcija cilja za ovaj algoritam treba osigurati da je kvadratna pogreška 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 ovisnosti izlaznih i ulaznih značajki omogućuje izgradnju točnijih klasifikacija.

Sam proces rješavanja problema, zbog matričnih transformacija, odvija se vrlo brzo. Zapravo, simulira se paralelni proces prolaska kroz neuronsku mrežu, za razliku od sekvencijalnog procesa u induktivnim sustavima. Neuronske mreže također se mogu implementirati u hardveru u obliku neuroračunala s asocijativnom memorijom.

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

"Sustav prognoze za dinamiku tečaja za Chemical Bank" (tvrtka Logica);

Sustav predviđanja za Londonsku burzu (SearchSpace);

Upravljanje investicijama za Mellon Bank (tvrtka NeuralWare) itd.

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

Sustavi temeljeni na slučajevima(Razlogovanje na temelju slučaja). U tim sustavima baza znanja ne sadrži opise generaliziranih situacija, već same stvarne situacije ili presedane. Tada se potraga za rješenjem problema svodi na traženje po analogiji (zaključivanje od posebnog do posebnog):

1. Dobivanje detaljnih informacija o trenutnom problemu;

2. Usporedba primljenih informacija s vrijednostima precedentnih atributa iz baze znanja;

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

4. Po potrebi se odabrani presedan prilagođava aktualnom problemu;

5. Provjera ispravnosti svakog dobivenog rješenja;

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

Kao i za induktivne sustave, presedani su opisani skupom značajki koje se koriste za izgradnju indeksa brzog pretraživanja. No, za razliku od induktivnih sustava, dopušteno je pretraživanje sa skupom izvedivih alternativa, od kojih je svaka procijenjena određenom mjerom sličnosti s analiziranom situacijom. Obično se kao mjera sličnosti dvaju presedana uzima funkcija ponderiranog zbroja vrijednosti podudarnih značajki presedana normaliziranih na određenoj zajedničkoj relativnoj skali. Formalno, potpuna sličnost SIM-a između presedana A i B, opisana p značajkama, 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 značajke dvaju presedana A i B, normaliziranih na ljestvici

Sljedeće funkcije mogu se 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 značajki, formula" src = "http://hi-edu.ru/e-books/xbook717/files/f18.gif" border = "0" align = "absmiddle" alt = "(! LANG: = 1.

Nadalje, najprikladnija rješenja se prilagođavaju prema posebnim algoritmima stvarnim situacijama. Metode prilagodbe uglavnom su korištene metode ponovnog specificiranja varijabli, specificiranja parametara, zamjene nekih komponenti rješenja drugima. Osposobljavanje sustava svodi se na pamćenje svake nove obrađene situacije s odlukama donesenim na temelju presedana.

Najpoznatiji alati za razvoj aplikacija koji koriste pretraživanje slučajeva su: CBR-Express (Inference), REMIND (Kognitivni sustavi), 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. Sustavi temeljeni na slučajevima koriste se kao poboljšani sustavi za širenje znanja ili kao kontekstualni sustavi pomoći. Na primjer, telefonska linija za tehničku podršku tvrtke Dell u Dublinu koristi CBR-Express kako bi pomogla osoblju centra odgovoriti na više telefonskih upita. Zahvaljujući ovom sustavu, produktivnost 200 zaposlenika centra porasla je na 3 tisuće poziva korisnika dnevno. Primjer takvog savjetovanja može biti sljedeći (slika 1.15).

Ekstrakcija znanja na temelju spremišta informacija(Data mining na temelju Data Warehouse). Za razliku od inteligentne baze podataka, informacijsko skladište je spremište izdvojenih smislenih informacija iz operativnih baza podataka koje je prvenstveno namijenjeno operativnoj analizi podataka (implementacija OLAP tehnologije). Formuliranje upita provodi se kao rezultat korištenja inteligentnog sučelja koje omogućuje u dijalogu fleksibilno definiranje značajnih značajki analize za proizvoljno grupiranje podataka. Najpoznatiji alati za podršku pohranjivanja informacija i OLAP tehnologija su alati kao što su statistički paket SAS aplikacija, specijalizirani programi Business Objects, Oracle Express, domaći softver PolyAnalyst, Kontur Standard itd.

Tipični zadaci operativne situacijske analize koji se rješavaju na temelju pohrane informacija su:

Određivanje profila potrošača pojedinog proizvoda;

Predviđanje promjena stanja na tržištu;

Analiza ovisnosti znakova situacija (korelacija) itd.

Za rješavanje navedenih problema potrebna je uporaba metoda za izvlačenje znanja iz baza podataka (Data Mining ili Knowledge Discovery) koje se temelje na korištenju metoda multivarijantne statističke analize, induktivnih metoda za izgradnju stabala odluka, neuronskih mreža i genetskih algoritama.

Razmotrimo bit primjene prethodno nerazmotrene metode koja se temelji na korištenju genetskih algoritama. Neka je potrebno odrediti skup ekonomskih pokazatelja koji najviše utječu na pozitivnu dinamiku tržišnog ponašanja. Tada se skup indikatora može smatrati skupom kromosoma koji određuju kvalitete pojedinca, odnosno rješenje problema. Vrijednosti pokazatelja koji određuju odluku, u ovom slučaju, odgovaraju genima.

Potraga za optimalnim rješenjem postavljenog problema slična je evoluciji populacije pojedinaca predstavljenih njihovim skupovima kromosoma. U ovoj evoluciji djeluju tri mehanizma: odabir najjačih - skupovi kromosoma, koji odgovaraju najoptimalnijim rješenjima; križanje - proizvodnja novih jedinki miješanjem kromosomskih skupova odabranih jedinki; a mutacije su slučajne promjene gena kod nekih pojedinaca u populaciji. Kao rezultat smjene generacija, na kraju se razvija rješenje postavljenog problema koje se više ne može dalje poboljšati.

Genetski algoritmi imaju nekoliko nedostataka. Kriterij odabira kromosoma i sam postupak su heuristički i ne jamče uvijek pronalaženje najboljeg rješenja. Kao i u 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 vidljivo kod rješavanja problema velikih dimenzija sa složenim unutarnjim vezama. Primjer razvoja sustava temeljenih na genetskim algoritmima je GeneHunter sustav iz Ward Systems Group.

Primjena rudarskih metoda temeljenih na pohranjivanju informacija u praksi sve više pokazuje potrebu za integracijom inteligentnih i tradicionalnih informacijskih tehnologija, kombiniranu upotrebu različitih metoda predstavljanja i izlaza znanja, kompliciranje arhitekture informacijskih sustava (vidi točku 1.6. I Poglavlje 7).

U kontekstu dinamičnog razvoja gospodarskih objekata sve su veći zahtjevi za prilagodljivošću informacijskih sustava promjenama. Ovi se zahtjevi svode na sljedeće:

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

Rekonstrukciju IS-a treba provoditi svaki put kada se pojavi potreba za reorganizacijom poslovnih procesa.

Rekonstrukciju IS-a treba izvesti brzo i uz minimalne troškove.

S obzirom na visoku dinamiku suvremenih poslovnih procesa, može se zaključiti da je prilagodljivost IS-a nezamisliva bez intelektualizacija svoju arhitekturu. Jezgra adaptivnog IC-a je stalno u razvoju model domene problema (poduzeće), koji se održava u posebnoj bazi znanja - spremištu, na temelju kojeg se provodi generiranje ili konfiguracija softvera. Dakle, projektiranje i prilagodba IS-a svodi se prije svega na izradu modela problematičnog područja i njegovu pravovremenu korekciju. Stoga se adaptivni sustav može klasificirati kao inteligentni informacijski sustav na temelju modela problemske domene.

Pri projektiranju informacijskog sustava obično se koriste dva pristupa: izvorni odn tipičan dizajn... Prvi pristup uključuje razvoj informacijskog sustava "od nule" u skladu sa zahtjevima gospodarskog objekta, drugi pristup je prilagodba standardnih razvoja karakteristikama gospodarskog objekta. Prvi pristup se obično provodi na temelju aplikacije sustavi računalno potpomognutog projektiranja ili CASE-tehnologije, na primjer, kao što su Designer 2000 (Oracle), SilverRun (SilverRun Technology), Natural LightStorm (Software AG), itd., drugi pristup temelji se na korištenju Sustavi dizajna IC komponenti, na primjer, kao što su R / 3 (SAP), BAAN IV (Baan Corp), Galaxy (New Atlant) itd.

Sa stajališta prilagodljivosti informacijskog sustava poslovnim procesima gospodarskog objekta, oba pristupa vođena su preliminarnim temeljitim proučavanjem gospodarskog objekta i njegovim modeliranjem. Razlika između pristupa je sljedeća: kada se koristi CASE-tehnologija bazirana na spremištu, kada dođe do promjene, svaki put kada se izvrši generiranje (ponovno kreiranje) softvera, a kada se koristi tehnologija komponenti, konfiguracija programe i samo u rijetkim slučajevima njihova obrada korištenjem CASE-znači, na primjer, korištenje jezika četvrte generacije (4GL).

Za modeliranje problematičnog područja i naknadnih konfiguracija informacijskog sustava iz pojedinih komponenti (softverskih modula) koriste se posebni softverski alati, na primjer, R / 3 Business Engineer i BAAN DEM (Dynamic Enterprise Modeler). Nedvojbena prednost korištenja modelski orijentiranih komponentnih sustava, kao što su R/3 ili BAAN IV, u odnosu na CASE tehnologije je akumulacija iskustva u projektiranju informacijskih sustava za različite industrije i vrste proizvodnje u obliku standardnih modela ili tzv. pozvao referentni / referentni modeli koji dolaze sa softverskim proizvodom u obliku cjelovitog repozitorija. Tako korisnici zajedno sa programskim proizvodom stječu bazu znanja “know-how” o učinkovitim metodama organiziranja i upravljanja poslovnim procesima, koja se može prilagoditi specifičnostima pojedinog gospodarskog objekta.

U generaliziranom obliku, konfiguracija adaptivnih informacijskih sustava temeljenih na komponentnoj tehnologiji prikazana je na Sl. 1.16.

Osnovni model repozitorija sadrži opis objekti, funkcije (operacije), procesi (skup operacija), koji su implementirani u programske module sastavnog sustava. Istodobno, zadatak je od velike važnosti u osnovnom modelu pravila (poslovna pravila) održavanje integriteta informacijskog sustava, kojima se uspostavljaju uvjeti za provjeru ispravnosti zajedničke primjene operacija poslovnih procesa i njihovih pratećih programskih modula. Dakle, raznolikost i fleksibilnost definiranja poslovnih procesa i odgovarajućih konfiguracija informacijskog sustava postavlja se pomoću skupa poslovnih pravila.

Tipični modeli odgovaraju tipičnim konfiguracijama informacijskog sustava izrađenih za određene industrije (automobilska, elektronička, naftna i plinska itd.) ili vrste proizvodnje (pojedinačna, serijska, masovna, kontinuirana itd.).

Model poduzeća (problematsko područje) se gradi povezivanjem ili kopiranjem fragmenata glavnih ili tipičnih modela u skladu sa specifičnim značajkama poduzeća, na primjer, kao u alatu BAAN Orgware, ili kao rezultat pregleda tih 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.

Generirani model poduzeća u obliku meta opisa pohranjuje se u repozitorij i po potrebi se može prilagoditi. Nadalje, prema generiranom modelu poduzeća, automatski se provodi konfiguracija informacijskog sustava, tijekom koje se vrši semantička kontrola prema odgovarajućim poslovnim pravilima.

Nedostaci opisane sheme konfiguracije informacijskog sustava su nedostatak sredstava za procjenu modela poduzeća. Kako bi se mogle odabrati optimalne opcije konfiguracije informacijskog sustava, u pravilu se koriste sredstva za izvoz modela u vanjske sustave modeliranja. Dakle, za R / 3 sustav je omogućen izvoz (uvoz) modela u (iz) okruženja(a) ARIS Toolseta, što vam omogućuje provođenje funkcionalne i troškovne analize učinkovitosti modeliranih poslovnih procesa i njihovu dinamičku simulaciju.

Kontinuirane promjene koje se događaju u gospodarstvu diktiraju potrebu za stalnim ažuriranjem znanja poduzeća i organizacija, kao intelektualnog kapitala koji osigurava stabilne strateške pozicije poduzeća na tržištu. Prema B.Z. Milnera, „formira se nova upravljačka funkcija čija je zadaća akumulirati intelektualni kapital, identificirati i diseminirati dostupne informacije i iskustva te stvoriti preduvjete za širenje i prijenos znanja. Upravo znanje postaje izvor visoke produktivnosti, inovativnosti i konkurentske prednosti." Nova funkcija upravljanja znanjem implementirana je kao skup procesa za sustavno stjecanje, sintezu, razmjenu i korištenje znanja unutar organizacije. Upravljanje znanjem karakterizira kolektivno formiranje i korištenje kako unutarnjih tako i vanjskih izvora znanja (informacijskih resursa).

U anketi izvršnih direktora s liste Fortune 1000, 97% menadžera je reklo da postoje procesi koji su ključni za tvrtku i da bi se mogli značajno poboljšati kada bi više zaposlenika znalo za njih. U istoj anketi 87% ispitanika reklo je da skupe greške nastaju upravo zato što zaposlenici nisu na vrijeme dobili potrebne informacije.

Kvaliteta korištenog znanja izravno utječe na učinkovitost sljedećih poslovnih procesa:

Donošenje upravljačkih odluka u strateškom, taktičkom i operativnom menadžmentu kao rezultat pravodobnog pristupa relevantnim znanjima;

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

Kontinuirano stručno usavršavanje zaposlenika poduzeća u stvarnom vremenu;

Pružanje partnerima (dobavljačima, izvođačima, klijentima) uz njihove osnovne usluge pristup akumuliranom znanju, uključujući savjetovanje i obuku.

Pod, ispod sustav upravljanja znanjem (KMS) razumjet ćemo skup organizacijskih procedura, organizacijskih jedinica (usluge upravljanja znanjem) i računalnih tehnologija koje osiguravaju integraciju heterogenih izvora znanja i njihovo zajedničko korištenje u poslovnim procesima.

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

Posebnost sustava upravljanja znanjem je integracija mnogih heterogenih, često zemljopisno raspoređenih izvora znanja za rješavanje uobičajenih problema. KMS integrira znanje iz internih i vanjskih izvora. Izvori znanja mogu imati nedokumentirani oblik (implicitna znanja stručnjaka), dokumentirani tekst, tablični, grafički oblik i strukturirani oblik u obliku baza znanja ekspertnih sustava.

Interni izvori znanja uključuju:

Tehnička dokumentacija, opis proizvodnih i poslovnih procesa,

Baze podataka i skladište podataka,

Baza znanja radnog iskustva stručnjaka ("najbolja praksa"),

Opis profila znanja stručnjaka (stručnjaka),

Specijalizirani ekspertni sustavi.

Vanjski izvori znanja uključuju:

Materijali publikacija i vijesti sadržani na INTERNETU,

elektronički sustavi učenja,

Baze podataka vanjskih partnera i statističke baze podataka u regionalnim, proizvodnim i sektorskim odjeljcima,

Imenici stručnjaka i konzultantskih tvrtki specijaliziranih za određena problematična područja, linkovi na forume na INTERNETU,

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

Sustav upravljanja znanjem obično se koristi u dva aspekta:

Pružanje kvalitetnog znanja o procesima rješavanja različitih problema.

Stvaranje interaktivnog okruženja za interakciju stručnjaka u procesu rješavanja problema.

S gledišta prvog aspekta, KMS, za razliku od tradicionalnih informacijskih sustava za potporu dokumentaciji (sustavi za pronalaženje informacija), pretvara znanje u gotov proizvod visoke uporabne vrijednosti, budući da znanje, za razliku od skupa svih vrsta informacija vezan uz zahtjev, točno odgovara prirodi problema koji se rješava i može se koristiti izravno pri donošenju odluke.

S gledišta drugog aspekta, KMS stvara interaktivno okruženje za komunikaciju ljudi, u kojem se povećava kreativna sposobnost generiranja novih znanja, koja odmah pada u korporativnu memoriju za naknadnu upotrebu. Uz pomoć KMS-a, svako poduzeće ili organizacija pretvara se u organizaciju koja uči koja stvara “spirala znanja” u kojoj se “nepoznato (implicitno) znanje mora identificirati i širiti kako bi postalo dio individualizirane baze znanja svakog zaposlenika. Spirala se svaki put nastavlja kako bi se podigla na sljedeću razinu, proširujući bazu znanja primjenjivu na različita područja organizacije."

Dakle, da bi proces ažuriranja znanja bio konstantan, potrebno je stvoriti trajno funkcionalne sustave upravljanja znanjem koji ne samo da bi mogli kombinirati pojedinačne izvore znanja pojedinih korisnika, već i izvlačiti znanje iz vanjskih izvora znanja, statističkih baza podataka. , te INTERNETSKI informacijski prostor. To zahtijeva sposobnost povezivanja korporativnog sustava upravljanja znanjem s drugim sustavima upravljanja znanjem temeljenim na jedinstvenim pristupima konceptualizaciji znanja.

Sustave upravljanja znanjem karakteriziraju sljedeće značajke:

Inteligentna pomoć. Sustav upravljanja znanjem, za razliku od ekspertnih sustava, ne zamjenjuje stručnjaka u procesu rješavanja problema, već mu pomaže pružanjem relevantnih informacija i pravila donošenja odluka u određenoj situaciji. Istodobno, u procesu rješavanja problema korisnik razmatra različita rješenja predstavljena sustavom upravljanja znanjem, modificira iskaz problema ili simulira situaciju, birajući tako najprihvatljivija rješenja. Može postojati i drugi način rješavanja problema, kada korisnik samostalno rješava problem, a rezultat rješenja ocjenjuje ispravnost i učinkovitost sustava za upravljanje znanjem, na primjer, upućivanjem na stručne kolege ili ekspertne sustave pomoću sustav upravljanja znanjem.

Prikupljanje i sustavno organiziranje znanja iz različitih izvora. Integracija mnogih različitih izvora znanja provodi se na temelju jedinstvenog sustava konceptualizacije znanja. Ključni zahtjev za izvore znanja je spriječiti gubitak i povećati dostupnost svih vrsta korporativnog znanja pružanjem centraliziranog, dobro strukturiranog repozitorija informacija. Strukturiranost pohrane informacija pretpostavlja stvaranje i opis jedinstvenog sustava znanja koji se temelji na taksonomiji konceptualnih pojmova, meta-bazi znanja ili ontologiji, 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. Sustav upravljanja znanjem, s jedne strane, trebao bi osigurati metode za postupanje u takvim situacijama, a s druge strane, osigurati lako povezivanje novih izvora znanja kako se pojavljuju. Istodobno treba modificirati samu konceptualnu shemu sustava upravljanja znanjem.

Brza prilagodba sustava upravljanja znanjem promjenjivim informacijskim potrebama. Prilagodba sustava upravljanja znanjem provodi se na temelju povratnih informacija korisnika u sustav kao rezultat formuliranja novih zahtjeva i dijelova analize, kao i informiranja o prazninama, netočnostima i zaostajanju u znanju. Uz to, baza slučajeva korištenja ispunjena je naznakom uspješnog i neuspješnog rješavanja problema od strane korisnika. Istovremeno se provodi transformacija individualnog znanja u grupno znanje, dostupno drugim korisnicima sustava upravljanja znanjem. Oblik prikupljenog i podijeljenog znanja postaje generativan i ponovno upotrebljiv.

S ove točke gledišta, korisno je akumulirati bazu znanja presedana za rješavanje problema, generalizirati tipične situacije i pogreške te širiti generirano znanje.

Integracija s postojećim softverskim okruženjem. Različiti analitički alati povezani su sa sustavom upravljanja znanjem koji omogućuju ekstrakciju implicitnih informacija sadržanih u izvorima znanja korištenjem metoda kao što su statistička analiza i neuronske mreže, ekspertni sustavi, matematičko i simulacijsko modeliranje. Ovi alati omogućuju otkrivanje obrazaca u reflektiranoj stvarnosti i identificiranje najracionalnijeg ponašanja u postojećim uvjetima. 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 specijalizirane softverske alate.

Aktivno predstavljanje relevantnih informacija. Sustav upravljanja znanjem postaje kompetentan partner u kooperativnom rješavanju problema, vodeći računa o rasponu informacijskih potreba korisnika i formiranju znanja za njega, na temelju njegovih uočenih interesa. Ovo svojstvo posebno je učinkovito implementirano u sustavima upravljanja odnosima s klijentima (CRM).

Integracija heterogenih izvora znanja, interdisciplinarna priroda njihove uporabe, potreba za privlačenjem vanjskih izvora znanja, razmjena znanja između korisnika pretpostavlja razvoj arhitektura sustava upravljanja znanjem temeljenog na zajedničkom informacijskom prostoru u obliku integrirane memorije, koji se može predstaviti na tri razine interakcije:

Razina objekta- pohranjivanje kategorija izvora znanja označenih uz pomoć posebno razvijenog sustava i njihovo indeksiranje.

Razina koncepta- definiranje konceptualnog modela strukture znanja (sustava kategorija), zajedničkog za sve izvore znanja, odnosno razvoj ontologije.

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

Razmotrimo pobliže navedene razine organizacije korporativne memorije. Kada se opisuje organizacija znanja na ovim razinama, primjeri specifičnog operativnog KMS-a opisani su u.

Objektni sloj korporativne memorije

Mogući izvori znanja koji su povezani s KMS-om prikazani su u tablici 1.2.

Tablica 1.2

Izvori znanja

Neimenovani dokument

Izvori znanja	Metode stjecanja znanja	Primjeri znanja
Ljudi i grupe	Dokumentiranje, strukturiranje, povezivanje	Primjeri situacija, pravila, objekti Profil znanja
U implicitnom obliku izravnim povezivanjem stručnjaka i stručnjaka na računalnu mrežu opisujući njihov profil znanja. Na primjer, Huges Electronics, tvrtka General Motors, ima povijest vodećih slučajeva najbolje prakse, koja održava bazu podataka najboljih projekata obnove. Svaki projekt je povezan s 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 regresijska analiza, neuronske mreže. Informacijska skladišta mogu sadržavati ogromne količine podataka. Na primjer, Chase Manhatten Bank ima više od 560 GB prostora za pohranu, MasterCard OnLine ima 1,2 TB. Za prikupljanje statistike mogu se koristiti namjenski alati. Primjerice, za izvlačenje znanja iz financijskih informacija u EDGAR-u (Electronic Data Gathering and Retrival System), razvijen je sustav EdgarScan koji djeluje u internetskom okruženju. Tekstualni izvori znanja povezani su s KMS-om pomoću tehnologije filtriranja tekstualnih poruka analiziranih u izvoru znanja na temelju popisa tema koje definiraju hijerarhiju taksonomije pojmova u određenom predmetnom području. Obično se filtriranje provodi prema kategoriji i prioritetu 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 europske komentatore vijesti, Odie koristi stilizirano prepoznavanje fraza u poslovnim vijestima i poznavanje pravila sintakse kako bi prepoznao relevantne poslovne događaje. Grafički dijagrami referentnih modela pohranjuju se u posebna spremišta koja opisuju meta informacije o organizaciji poslovnih procesa. Na primjer, SAP R / 3 System repozitorij sadrži oko 100 provjerenih poslovnih scenarija i modela za različite industrije. Uz pomoć stručnih pravila referentni modeli se mogu transformirati u specifične modele za organizaciju poslovnih procesa poduzeća. Konceptualna razina strukture znanja o korporativnoj memoriji Konceptualna razina strukture znanja temelji se na taksonomiji korištenih koncepata (ontologija), osmišljenoj da identificira različite komponente znanja. Ontologiju možemo promatrati kao sustav rubrikacije predmetnog područja uz pomoć kojeg se integriraju heterogeni izvori znanja. S druge strane, ontologija se promatra kao rječnik tezaurusa, koji se dijeli u KMS-u kako bi se pojednostavila komunikacija korisnika, formulacija i interpretacija njihovih zahtjeva. Konceptualna razina korporativne memorije pruža semantičku interpretaciju upita za KMS, koji implementira objedinjeni inteligentni pristup raznim izvorima znanja. Rezultat su sljedeće ključne prednosti: Točan i učinkovit KMS pristup izvorima znanja koji su relevantni za kontekst zadatka (konkretnu situaciju). Bolje razumijevanje i interpretacija stečenog znanja od strane korisnika u ovom kontekstu uz mogućnost dodatnih poziva na referencu u korporativnu memoriju. Informacijsko modeliranje, odnosno iterativno pojašnjenje informacijskih potreba u procesu rješavanja problema. Primjer primjene rječnika tezaurusa je industrijski sustav za pronalaženje informacija Retrieval Ware (Canbera), koji omogućuje pretraživanje cijelog teksta i atributa korištenjem redovnog web preglednika u različitim izvorima znanja: elektroničke arhive tekstualnih dokumenata, web-pecypcax, formatirani baze podataka, proračunske tablice, grafike, zvučne i vizualne 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 poveznica između njih. Rječnik lokalizirane verzije softvera Russian Semantic Server trenutno sadrži oko 42 tisuće riječi i idiomatskih izraza. Tehnologija semantičkog pretraživanja također omogućuje korištenje nekoliko rječnika u isto vrijeme. Na primjer, uz osnovni vokabular, sustav može koristiti vokabular industrije, interni vokabular organizacije i osobni rječnik korisnika, koji se može razvijati prema potrebi. Ograničena organizacija znanja tezaurusa povezana je s uskim fokusom na rješavanje samo problema pretraživanja. Za proširenje spektra KMS zadataka povezanih s izborom alternativa u opravdavanju projekata, donošenju odluka, obuci, potrebna je složenija organizacija znanja, koja uključuje definiranje logike rješavanja problema u deklarativnom obliku ili stvaranje ontologije zadataka. Sustav Ontolingua dobar je primjer ovakvog sustava. Sustav Ontolingua dizajniran je za podršku formalnoj specifikaciji korisničkih zadataka na temelju biblioteke formalnih opisa fragmenata zadataka, modela i koncepata, kao i za održavanje same biblioteke fragmenata (slika 1.17). Otologije se mogu koristiti ne samo u sustavima upravljanja znanjem, već iu transakcijskim sustavima kao što su sustavi e-trgovine, logistički sustavi, virtualna poduzeća, koji zahtijevaju tehnologiju razmjene znanja s više agenata. Aplikacijski sloj Intelektualni problemi koji se rješavaju na temelju CPS-a karakterizira slaba formalizacija, što podrazumijeva nejasnoću postavljanja ciljeva za rješavanje problema i opisivanja uvjeta za rješavanje problema. Osim toga, razina znanja i sustav kriterija za ocjenjivanje odluke mogu se razlikovati od korisnika do korisnika. Tipično rješenje intelektualnog problema obično se svodi na sljedeće korake: Formulacija iskaza problema. Odabir izvora znanja relevantnih za zadatak. Razumijevanje odabranog materijala (obuka, konzultacije). Rješenje problema (razvoj, konfiguracija rješenja). Provjera izvedivosti rješenja problema (procjena rješenja problema, konzultacije sa stručnjacima, ekspertni sustavi). Donošenje odluka i praćenje njegove provedbe. 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 točnost postizanja cilja svake faze. Na primjer, poduzeće rješava problem odabira strategije povećanja učinkovitosti proizvodnje, koja spada u klasu slabo formaliziranih zadataka. Prvo morate zatražiti informacije o mogućim ciljevima, kriterijima i metodama za poboljšanje učinkovitosti proizvodnje. Zatim opišite svoje poslovanje. Sustav će na temelju formuliranog zadatka odabrati izvore znanja. Proučavanje gradiva može izazvati pojašnjavajući ili objašnjavajući dijalog. Donesena odluka može se poslati stručnjacima odabranim uz pomoć CPS-a na pregled. U procesu implementacije rješenja, podaci o pojedinim koracima unose se u bazu znanja radi prilagođavanja strategije na temelju 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 izvana izgleda kao ispunjavanje nekog ekrana obrazac u kojem se bilježi sljedeće: Opći cilj aktivnosti. Kontekstualne informacije, poznate iz stanja procesa ili postavljene ručno u danom koraku. Zaslonski obrazac obično se ispunjava pomoću popisa ključnih riječi povezanih s ontološkim naslovima. Dakle, obrazac zahtjeva na zaslonu odražava trenutni lokalni kontekst pretraživanja, što određuje specifičnosti sljedećeg koraka u rješavanju problema. Jednokratni pristup znanju u suvremenom KMS-u uglavnom se svodi ili na potragu za relevantnim znanjem od strane krajnjih korisnika, ili na širenje znanja među korisnicima sa strane sustava upravljanja znanjem. Dakle, i ljudi i KMS mogu biti pokretači procesa upravljanja znanjem. S druge strane, i ljudi i KMS mogu biti nositelji znanja na koje se odnose pokretači procesa. Moguće varijante interakcije između ljudi i KMS-a prikazane su u tablici 1.3. Tablica 1.3 Pristup izvorima znanja Neimenovani dokument Vezanje ljudi u KMS provedeno korištenjem tehnologije s više agenata koja se temelji na repozitoriju vještina ljudi. Svaki sudionik u procesu upravljanja znanjem u računalnoj mreži može imati računalnog blizanca – inteligentnog agenta koji ulazi u pregovore sa sličnim agentima u mreži radi rješavanja zajedničkog problema. Primjer takvog sustava s više agenata je ContactFinder, koji u mreži traži stručnjake koristeći tehnologiju oglasne ploče, koja je dostupna za razmjenu poruka između agenata. Pritom je velika uloga ontologije kao rječnika komunikacije agenata i opisa profila njihova znanja. Povezivanje ljudi i KMS-a za odabir relevantnog znanja provodi se pomoću tražilica u skladištima znanja ("pool-storages"). Nedovoljna inteligencija postojećih tražilica dovodi do irelevantnosti odabranog znanja. Trenutno se razvijaju tražilice koje se temelje na korištenju ontologije, na primjer, sustav SHOE, OntoBroker itd. Kao grafički alati za vizualizaciju karte znanja pri navigaciji pristupnim putovima mogu se koristiti posebni alati, na primjer, Perspecta i InXight . Povezivanje KMS-a i ljudi provodi se prema "push" tehnologiji (push-technology), prema kojoj KMS proučava informacijske potrebe korisnika te u skladu s njima samostalno širi ili dostavlja znanje potrošačima. Na primjer, InfoFinder proučava interese korisnika na temelju skupa generiranih poruka ili traženih dokumenata. Osim toga, InfoFinder koristi heurističke metode za prikupljanje dodatnih, točnijih informacija o korisničkim zahtjevima, što omogućuje InfoFinderu da pronađe dokumente predviđajući zahtjeve korisnika. Povezivanje KPS-a i KPS-a u procesu implementacije složenijih zahtjeva, kada se jedan KMS ne može nositi sa zadatkom i obraća se za pomoć drugom KMS-u, u pravilu se obavlja pomoću tehnologije s više agenata. Osim toga, posebni vodiči znanja mogu se koristiti za pomoć pri navigaciji putevima odabira znanja u integriranom prostoru znanja, na primjer, Michelinovi vodiči CoopersLibranda, koji olakšavaju razumijevanje sadržaja i lokacije izvora znanja. Andersen Consulting održava središnji repozitorij mapa znanja kroz koji su povezani različiti izvori znanja. Stvari koje treba zapamtiti Inteligentni informacijski sustav (IIS) je IS, koji se temelji na konceptu korištenja baze znanja za generiranje algoritama za rješavanje ekonomskih problema različitih klasa, ovisno o specifičnim informacijskim potrebama korisnika. Najvažniji znakovi IIS klasifikacije: razvijene komunikacijske vještine, složenost (loša formalizabilnost algoritma), sposobnost samoučenja, prilagodljivost. Glavne podklase IIS-a: inteligentne baze podataka, uklj. sa sučeljima koji koriste prirodni jezik, hipertekst i multimediju, kognitivnu grafiku; statički i dinamički ekspertni sustavi; samoučeći sustavi temeljeni na principima induktivnog zaključivanja, neuronski sustavi, traženje presedana, organizacija pohrane informacija; prilagodljivi informacijski sustavi temeljeni na korištenju CASE tehnologija i/ili komponentnih tehnologija, sustavi upravljanja znanjem. Inteligentni sustav sučelja je IIS dizajniran za traženje implicitnih informacija u bazi podataka ili teksta za proizvoljne upite, obično sastavljene na ograničenom prirodnom jeziku. Stručni sustav (ES) je IIS dizajniran za rješavanje loše formaliziranih problema na temelju iskustva stručnjaka u problemskom području akumuliranom u bazi znanja. Sudionici u razvoju i radu elektrane: stručnjaci, inženjeri znanja, korisnici. Ekspert - stručnjak čije se znanje stavlja u bazu znanja. Inženjer znanja- specijalist koji se bavi izvlačenjem znanja i njihovom formalizacijom u bazi znanja. Korisnik - stručnjak čije su intelektualne sposobnosti proširene korištenjem ES-a u praksi. Glavne komponente ES arhitekture: baza znanja, mehanizmi zaključivanja, objašnjenja, stjecanje znanja, inteligentno sučelje. Baza znanja središnja je komponenta ES-a, koja određuje vrijednost ES-a i s kojom su povezani glavni razvojni troškovi. Baza znanja je spremište jedinica znanja koje opisuju atribute i radnje povezane s objektima u problemskom području, kao i moguće nesigurnosti. Jedinica znanja je elementarna strukturna jedinica (opis jednog predmeta, jedne radnje), koja ima cjelovito značenje. Pravila i/ili objekti se obično koriste kao jedinice znanja. Neizvjesnost znanja- to je ili nepotpunost, ili nepouzdanost, ili dvosmislenost, ili kvalitativna (umjesto kvantitativna) procjena jedinice znanja. Mehanizam zaključivanja je generalizirani postupak pronalaženja rješenja problema, koji na temelju baze znanja iu skladu s informacijskim potrebama korisnika izgrađuje lanac zaključivanja (logički povezanih jedinica znanja), što dovodi do određenog rezultata. Deduktivno zaključivanje(od općeg prema specifičnom) - izvođenje privatnih izjava zamjenom drugih poznatih privatnih izjava u opće izjave. Razlikovati izravno (od podataka do cilja) i obrnuto (od cilja do podataka) lanci zaključivanja (argumentacija). Induktivni izlaz(od posebnog do općeg) - zaključak (generalizacija) na temelju skupa posebnih iskaza općih iskaza (iz primjera stvarne prakse pravila). Abduktivno povlačenje(od privatnog do privatnog) - zaključivanje privatnih izjava na temelju potrage za drugim sličnim izjavama (precedentima). Mehanizam stjecanja znanja je postupak za akumuliranje znanja u bazi znanja, uključujući unos, kontrolu cjelovitosti i konzistentnosti jedinica znanja i, eventualno, automatski izlaz novih jedinica znanja iz ulaznih informacija. Mehanizam objašnjenja je postupak koji opravdava rezultat dobiven mehanizmom zaključivanja. Inteligentno sučelje je postupak koji interpretira zahtjev korisnika prema bazi znanja i generira odgovor u njemu prikladnom obliku. Svrha ekspertnog sustava: savjetovanje i obuka neiskusnih korisnika, pomoć stručnjacima u rješavanju problema, savjetovanje stručnjaka o pitanjima iz srodnih područja znanja (integracija izvora znanja). Statički ekspertni sustav je ES koji rješava probleme u uvjetima početnih podataka i znanja koji se ne mijenjaju tijekom vremena. Dinamički ekspertni sustav je ES koji rješava probleme u uvjetima vremenski promjenjivih početnih podataka i znanja. Analitički ekspertni sustav je ES koji ocjenjuje opcije odluke (testiranje hipoteze). Sustav sintetičkog stručnjaka- Ovo je ES koji generira rješenja (hipoteze). Klase zadataka koje se rješavaju u ekspertnom sustavu: interpretacija, dijagnostika, predviđanje, dizajn, planiranje, praćenje, korekcija, upravljanje. Sustav za samoučenje je IIS, koji na temelju primjera stvarne prakse automatski generira jedinice znanja. Induktivni olovni sustav je IIS koji se samostalno uči koji gradi stabla odlučivanja na temelju učenja na primjerima iz stvarnog života. Neuronska mreža je samoučeći IIS, koji na temelju učenja na primjerima iz stvarnog života gradi asocijativnu mrežu pojmova (neurona) za paralelno traženje rješenja na njoj. Sustav koji se temelji na slučaju je IIS koji se samostalno uči koji pohranjuje stvarne slučajeve odlučivanja (primjere) kao jedinice znanja i omogućuje, na zahtjev, odabir i prilagođavanje najsličnijih slučajeva korištenja. Data Mining je skup metoda za automatsko izdvajanje znanja iz posebno organiziranih skladišta informacija (Skladište podataka), koje uključuju statističke metode, induktivno zaključivanje, neuronske mreže i genetske algoritme. Prilagodljivi informacijski sustav- ovo je IIS, koji mijenja svoju strukturu u skladu s promjenom modela problematičnog područja. Model domene problema- odraz strukture objekata, funkcija, procesa, pravila vezanih uz funkcioniranje problematičnog područja. Repozitorij je spremište meta-znanja o strukturi činjeničnog i operativnog znanja ili modela problematičnog područja. Tehnologija slučaja je tehnologija koja vam omogućuje generiranje informacijskog sustava temeljenog na modelu problemske domene pohranjenom u spremištu. Komponentna tehnologija- tehnologija koja vam omogućuje konfiguriranje informacijskog sustava od gotovih standardnih komponenti na temelju modela problemske domene pohranjenog u repozitoriju. Sustav upravljanja znanjem (KMS)- međusobno povezani skup organizacijskih procedura, ljudi i informacijskih tehnologija, koji osigurava prikupljanje, akumulaciju, organizaciju, širenje i korištenje znanja za rješavanje problema visokokvalitetnih informacijskih usluga (podrške) za provedbu poslovnih procesa i interaktivnu interakciju specijalisti. Korporativna memorija- spremište izvora znanja i njihovih meta-opisa za kolektivnu upotrebu u organizaciji. Izvori znanja o KMS-u- iskustva stručnjaka, prikazana u obliku presedana, strukturiranih baza znanja ekspertnih sustava, 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 formalizirane i neformalizirane 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 sustavi"

Plan:

1. Koncept umjetne inteligencije. Inteligentne informacije

tehnologije.

2. Klasifikacija inteligentnih informacijskih sustava.

3. Ekspertni sustavi kao glavni tip inteligentnih sustava.

4. Umjetne neuronske mreže.

Korištenje informacijske tehnologije (IT) u različitim sferama ljudskog djelovanja, rast količine informacija i potreba za brzim reagiranjem u bilo kojoj situaciji zahtijevaju traženje adekvatnih rješenja za probleme koji se pojavljuju. Najučinkovitiji od njih je način intelektualizacije informacijske tehnologije.

Pitanje broj 1 Koncept umjetne inteligencije.

Inteligentna informacijska tehnologija

Nova informacijska tehnologija temelji se prvenstveno na inteligentnim tehnologijama i teoriji umjetne inteligencije.

Pojam intelekt dolazi od latinskog intellectus – što znači um, razum, razum; sposobnost mišljenja osobe.

Pod, ispod umjetna inteligencija razumjeti sposobnost računalnih sustava 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 računala.

Umjetna inteligencija (AI) znanstveno je područje koje je nastalo na sjecištu kibernetike, lingvistike, psihologije i programiranja.

Pod inteligentnom informacijskom tehnologijom razumjeti takve informacijske tehnologije koje pružaju sljedeće mogućnosti:

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

Povijest inteligentne informacijske tehnologije

Osvrnimo se na povijest razvoja IIT-a, koja datira od 60-ih godina prošlog stoljeća i uključuje nekoliko glavnih razdoblja.

• 60-70-ih godina. Ovo su godine shvaćanja sposobnosti umjetne inteligencije i formiranja poretka za podršku procesima donošenja odluka i upravljanja.
• 70-80-e godine. U ovoj fazi javlja se svijest o važnosti znanja za formiranje adekvatnih odluka; Pojavljuju se STRUČNI SUSTAVI.
• iz 80-ih godina. Do sada. Pojavljuju se integrirani (hibridni) modeli predstavljanja znanja koji kombiniraju sljedeće vrste inteligencije: tragačku, računsku, logičku i figurativnu. Stvaranje neuronskih mreža

Posebnost inteligentnih informacijskih tehnologija (IIT) je njihova "univerzalnost". Gotovo da nemaju ograničenja u primjeni u područjima kao što su upravljanje, dizajn, strojno prevođenje, dijagnostika, prepoznavanje uzoraka, sinteza govora itd.

IIT se također naširoko koristi za distribuirano rješavanje složenih problema, zajedničko dizajniranje proizvoda, izgradnju virtualnih poduzeća, modeliranje velikih proizvodnih sustava i elektroničke trgovine, elektronički razvoj složenih računalnih sustava, upravljanje znanjem i informacijskim sustavima, itd. Druga učinkovita primjena je pronalaženje informacija. na Internetu i drugim globalnim mrežama, njegovo strukturiranje i isporuku kupcu.

Pitanje broj 2 Klasifikacija inteligentnih informacijskih sustava

IIS karakteriziraju sljedeće značajke:

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

Sposobnost rješavanja složenih, loše formaliziranih problema koji zahtijevaju izgradnju originalnog algoritma rješenja, ovisno o specifičnoj situaciji, koju karakterizira nesigurnost i dinamizam početnih podataka i znanja;

Sposobnost samoučenja, t.j. sposobnost sustava da automatski izvuče znanje iz akumuliranog iskustva i primijeni ga za rješavanje problema;

Prilagodljivost je sposobnost sustava da se razvija u skladu s objektivnim promjenama u području znanja.

Svaka od navedenih značajki uvjetno odgovara svojoj klasi IMS-a.

1. Sustavi s inteligentnim sučeljem (komunikacijske vještine):

- Inteligentne baze podataka. Oni omogućuju, za razliku od tradicionalnih baza podataka, pružanje odabira 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 naredbi u upravljačkim sustavima, strojno prevođenje sa stranih jezika.

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

- Kontekstualni sustavi pomoći . Oni pripadaju klasi sustava za širenje znanja. Takvi su sustavi u pravilu prilozi dokumentaciji. U tim sustavima korisnik opisuje problem, a sustav ga na temelju dodatnog dijaloga konkretizira i traži preporuke o tom problemu.

- Kognitivni grafički sustavi . Usmjereni su na komunikaciju s korisnikom IMS-a putem grafičkih slika koje se generiraju u skladu s promjenama parametara simuliranih ili promatranih procesa. Korištenje kognitivne grafike posebno je važno u sustavima nadzora i upravljanja, u sustavima obuke i obuke, u operativnim sustavima donošenja odluka koji rade u stvarnom vremenu.

2. Ekspertni sustavi(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 brojčano;

Početni podaci i znanja o predmetnom području su dvosmisleni, netočni, nedosljedni;

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

Ne postoji jednoznačno algoritamsko rješenje problema;

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