Sisteme informatice inteligente (2) - Rezumat. Cheat Sheet: Intelligent Information Systems

Curs nr 1 IIS

În virtutea scopului lor, sistemele informaționale inteligente pot fi utilizate în aproape orice domeniu al activității umane. Exemple de domenii în care această abordare produce deja rezultate tangibile sunt:

· Industrie:

Managementul productiei: intocmirea si optimizarea lantului de productie prin distribuirea pasilor tehnologici atat intre departamentele interne cat si intre contractori terti.

Controlul proceselor de productie: colectarea si analiza informatiilor curente, comunicarea cu agentii care controleaza alte subsisteme, adoptarea si implementarea deciziilor operationale.

Managementul transportului aerian: modelarea si optimizarea activitatilor de dispecerat aeroportuar.

Antreprenoriat:

Managementul informației: căutarea surselor, colectarea, filtrarea și analiza datelor, prelucrarea intelectuală a unor cantități mari de informații.

Comerțul electronic deschide oportunități mari pentru utilizarea agenților inteligenți atât din partea vânzătorului, cât și din partea cumpărătorului.

Managementul proceselor de afaceri: automatizarea flexibilă a activităților organizaționale corporative cu o logică internă complexă și un număr mare de părți implicate.

· Medicamentul:

Monitorizarea pacientului: colectarea, înregistrarea și analiza continuă a unui număr mare de caracteristici monitorizate ale stării pacientului pe o perioadă lungă de timp.

Asistență medicală: posibilitatea examinării și diagnosticării pacienților folosind specialiști virtuali din diverse domenii ale medicinei.

· Industria de divertisment:

Jocuri pe calculator: posibilitatea de a atinge niveluri calitativ noi prin utilizarea unor agenți inteligenți pentru diversele părți implicate.

Aplicații interactive (televiziune, teatru, cinema): agenții pot crea iluzia realității unei acțiuni în desfășurare, permițând utilizatorului să ia parte la aceasta.

Exemple de IIS în economie:

· Hedger inteligent: abordare bazată pe cunoștințe a problemelor de asigurare a riscurilor. Firma: Departamentul de Sisteme Informaționale, Universitatea din New York. Problema unui număr imens de alternative de asigurare a riscurilor în continuă creștere, luarea rapidă a deciziilor de către managerii de risc într-un flux accelerat de informații și lipsa unui suport adecvat al mașinii în etapele incipiente ale procesului de dezvoltare a sistemului de asigurare a riscurilor sugerează o gamă largă de diferite soluții optime pentru managerii de risc. În acest sistem, dezvoltarea asigurării de risc este formulată ca o problemă de optimizare polivalentă. Această problemă de optimizare implică câteva dificultăți cărora soluțiile tehnice existente nu le pot face față. Scurte caracteristici: sistemul folosește o reprezentare a obiectului care surprinde cunoștințe profunde despre managementul riscului și facilitează emularea raționamentului primar al managementului riscului, utile pentru concluzii și explicații ale acestora.

· Sistem de raționament în prognoza schimbului valutar. Firmă. Departamentul de Informatică Universitatea Politehnică din Hong Kong Prezintă o abordare nouă a prognozei schimbului valutar, bazată pe acumulare și raționament, cu suport de caracteristici prezent pentru a se concentra asupra unui set de ipoteze despre mișcările cursului de schimb. Reprezentat în sistemul predictiv set de caracteristici este un set dat de valori economice și diverse seturi de parametri variabili în timp, utilizați în modelul de prognoză. Scurte caracteristici: baza matematică a abordării aplicate se bazează pe teoria Dempster-Schaefer.

· Nereidă. Sistem de suport decizional pentru optimizarea lucrului cu opțiuni valutare. Firma: NTT Data, The Tokai Bank, Universitatea de Științe din Tokyo. Sistemul facilitează suportul dealer-ului pentru un răspuns optim ca una dintre opțiunile prezentate; mai practic și oferă decizii mai bune decât sistemele convenționale de luare a deciziilor. Scurte caracteristici: Sistemul este proiectat folosind sistemul de cadru CLP, care integrează cu ușurință zona financiară în aplicația AI. Se propune un tip mixt de optimizare, combinând cunoștințele euristice cu tehnici de programare liniară. Sistemul funcționează pe stațiile solare.

· PMIDSS: Sistem de suport pentru decizii de management al portofoliului. Dezvoltatori: New York University Financial Group. Sarcini de rezolvat: selectarea unui portofoliu de valori mobiliare; planificarea investițiilor pe termen lung. Scurte caracteristici: un sistem mixt de reprezentare a cunoștințelor, utilizarea diferitelor mecanisme de inferență: logică, rețele semantice dirijate, cadre, reguli.

În prezent, cea mai semnificativă pondere a utilizării sistemelor informaționale inteligente este reprezentată de agenții informaționali inteligenți.

Scopul și funcțiile agenților de informații inteligenți

Unul dintre conceptele fundamentale în multe domenii ale teoriei inteligenței artificiale (și, în special, problema planificării) este conceptul de agent - acel obiect care acționează într-un anumit mediu pentru a îndeplini anumite funcții. În ciuda utilizării pe scară largă a termenului „agent”, până acum nu există o definiție general acceptată a acestui concept. În prezentarea următoare, conceptul de agent inteligent va fi interpretat în sensul a două definiții:

1. Definiție slabă a unui agent inteligent: un agent inteligent este un sistem hardware sau software care are următoarele proprietăți: autonomie, reactivitate, activitate și comunicare.

2. O definiție puternică a unui agent inteligent: un agent inteligent este un sistem de calcul care are proprietățile enumerate și, în plus, este implementat pe baza unor concepte care sunt cele mai aplicabile oamenilor.

În această lucrare, definițiile sunt formulate într-un mod ușor diferit față de cele date mai sus: un agent este înțeles ca un sistem software independent care are capacitatea de a primi un impact din lumea exterioară, de a determina reacția sa la acest impact și de a transporta scoateți această reacție, în timp ce conceptul de agent inteligent corespunde unui agent care are o serie de cunoștințe despre sine și despre lumea înconjurătoare și al cărui comportament este determinat de această cunoaștere.

Alături de definițiile enumerate în literatura de specialitate despre inteligența artificială, există câteva zeci de formulări diferite ale definiției agentului, cu toate acestea, majoritatea se reduc la prezența setului de caracteristici cheie enumerate. Luați în considerare proprietățile definitorii ale agenților inteligenți mai detaliat:

Autonomie - capacitatea de a funcționa independent de acțiunile de control extern (de exemplu, controlul operatorului). Un grad ridicat de autonomie este facilitat de astfel de capabilități ale agenților, cum ar fi algoritmi de lucru flexibili, capacitatea de a auto-învăța, capacitatea de a lucra cu informații incomplete.

Reactivitate - capacitatea unui agent de a percepe starea mediului (lumea exterioară) și schimbările în această stare, precum și de a ține cont de aceste informații în activitățile sale. Formele extreme de utilizare a proprietății de reactivitate sunt o schemă rigidă a muncii agentului, în care acțiunile sunt efectuate conform unui plan pre-elaborat, care nu este modificat în timpul execuției, și o schemă de comportament complet reactiv, atunci când agentul nu are un plan întocmit în prealabil și acționează numai pe baza informațiilor despre starea actuală a mediului.

Intenție - capacitatea unui agent nu numai de acțiuni reactive, ci și de comportament intenționat pentru a atinge un anumit scop, stabilit independent sau din exterior.

Comunicativitatea este proprietatea agenților de a interacționa între ei, precum și cu alte ființe intelectuale (de exemplu, oamenii). De exemplu, în problema inteligenței artificiale distribuite, mai mulți agenți acționează în sistem, interacționând într-un fel între ei. Într-un caz simplu, interacțiunea se limitează doar la schimbul de informații; în sistemele mai complexe, agenții își pot coopera și își pot ajusta activitățile pentru a atinge obiective comune.

Un exemplu de agent inteligent este un softbot (robot software) - un sistem care interacționează cu mediul computerului (de exemplu, sistemul de operare) executând comenzi și interpretând rezultatele comenzilor și ale altor mesaje din mediu.

După cum arată practica, în majoritatea cazurilor, utilizarea agenților inteligenți se reduce la una dintre cele două opțiuni:

1. Efectuarea autonomă a unor funcții specifice în locul unei persoane și, în unele cazuri, chiar și în numele unei persoane.

2. Asistență în realizarea anumitor activități prin interacțiune umană la nivel înalt.

Ca urmare a analizei sistemelor aplicate cunoscute implementate pe baza abordării luate în considerare, se pot distinge următoarele tipuri de agenți inteligenți:

1. Agenți de cooperare capabili nu numai de funcționare autonomă izolată, ci și de activități în comun cu alți agenți, în special, coordonarea acțiunilor, elaborarea de planuri comune și soluționarea conflictelor. Exemple de agenți sunt proiectul Pleiade al Universității Carnegie Mellon, sistemele MII și ADEPT.

2. Agenți de interfață a căror sarcină este să interacționeze cu utilizatorul (și nu cu alți agenți) și să-l ajute să efectueze o anumită activitate. Acest tip de agent este uneori denumit și asistent personal. Implementările existente includ diverse sisteme de ajutor, asistenți de tranzacționare, sisteme de asistență pentru fluxul de lucru și sisteme de divertisment.

3. Agenți mobili care au capacitatea de a-și îndeplini funcțiile în diferite locații din habitat. Mediul de funcționare cel mai natural pentru astfel de agenți este diversele rețele de calculatoare sau sisteme de comunicații. De asemenea, trebuie remarcat faptul că mobilitatea în sine nu este nici o proprietate necesară, nici suficientă a unui agent inteligent.

4. Agenții informaționali au apărut ca o clasă separată ca urmare a nevoii ascuțite de a căuta, colecta și procesa o cantitate mare de informații cu acces relativ ușor. În primul rând, acest grup include sisteme de căutare pe Internet, de exemplu, căutare în WWW (Jasper, Webwatcher) și arhive de filtrare ale grupurilor de știri (NewT).

5. Agenții reactivi constituie un grup special de agenți care nu au niciun model intern al mediului, ci acționează doar ca răspuns la o anumită stare a mediului sau la o schimbare de stare. Exemple de astfel de sisteme sunt „mașină situațională”, diverse sisteme de modelare a comportamentului social, aplicații de joc.

6. Agenți hibrizi care combină caracteristicile inerente diferitelor clase de mai sus. Acest grup include, în special, InterRRaP, care combină module reactive și cooperante, sistemul de monitorizare a pacienților Guardian, precum și diverși agenți de informare mobili.

7. Sistemele de agenți eterogene, spre deosebire de agenții hibrizi, constau din mai mulți agenți aparținând unor clase diferite. Principala motivație pentru crearea unor astfel de sisteme este construirea integrării sistemelor specializate existente (ARCHON), în timp ce una dintre problemele principale este organizarea interacțiunii dintre agenți.

În ciuda avantajelor și perspectivelor evidente pentru utilizarea agenților inteligenți în diverse domenii științifice și practice, această abordare are și o serie de limitări, în special:

· Lipsa controlului general asupra agenților inteligenți poate duce la dificultăți semnificative când vine vorba de constrângeri globale, cerințe de răspuns garantat în timp real și evitarea posibilelor blocaje.

Lipsa unei perspective globale: întrucât în ​​realitate sistemele de agenți nu pot avea un sistem complet de cunoștințe despre lumea înconjurătoare, se pune problema posibilității de a găsi soluții optime sau suboptime pe baza unei baze de cunoștințe locale.

· Problema încrederii: cât de mult poți avea încredere în agenți inteligenți atunci când își îndeplinesc funcțiile în mod autonom, mai ales când un astfel de agent acționează în lumea reală în numele unui anumit individ sau organizație.

Cu toate acestea, există în prezent o cerere crescută de tehnologie de agent inteligent din partea corporațiilor de top din lume, ceea ce stimulează o cantitate mare de muncă de cercetare în acest domeniu, care se desfășoară în mai multe direcții principale:

· Direcția pe teoria agenților se ocupă de cercetarea și dezvoltarea specificațiilor, conceptualizarea agenților, definirea proprietăților și modalități de reprezentare formalizată a acestora. Lucrarea explorează caracteristicile care disting agenții inteligenți de software-ul convențional și conține o privire de ansamblu destul de completă a abordărilor teoretice existente.

· Direcția privind arhitectura agenților studiază implementarea specificațiilor, aspectelor hardware și software ale problemei construirii unui sistem de calcul care să satisfacă proprietățile specificate. Exemple de arhitecturi de agenți inteligenți binecunoscute sunt: ​​GISA (Generic Intelligent Software Agent), BDI (Belief-Desire-Intention) și FIPA (Foundation for Intelligent Physical Agents) .

· Direcția asupra limbajelor de programare ale agenților explorează modalități de descriere formală a principiilor teoretice, întrebări de găsire a primitivelor optime la codificarea agenților, compilarea și executarea eficientă a programelor. Acest grup, în special, include lucrări dedicate implementării agenților pentru Internet și rețelelor corporative, studiul caracteristicilor utilizării abordării orientate pe obiecte și conceptului de programare orientată pe agenți.

În conformitate cu caracteristicile enumerate mai sus, IIS sunt împărțite în (această clasificare este una dintre posibile) (Fig. 1):

sisteme cu abilități comutative (cu interfață inteligentă);

sisteme expert (sisteme de rezolvare a problemelor complexe);

sisteme de auto-învățare (sisteme capabile de auto-învățare);

sisteme adaptive (sisteme informatice adaptative).

Orez. unu. Clasificarea sistemelor informatice inteligente pe tipuri de sisteme

Baze de date inteligente diferă de bazele de date convenționale prin capacitatea de a selecta, la cerere, informațiile necesare, care pot să nu fie stocate în mod explicit, dar derivate din baza de date disponibilă.

Interfață în limbaj natural presupune traducerea construcțiilor limbajului natural la nivelul reprezentării cunoștințelor intramașină. Pentru a face acest lucru, este necesar să se rezolve problemele de analiză și sinteza morfologică, sintactică și semantică a enunțurilor în limbaj natural. Deci, analiza morfologică presupune recunoașterea și verificarea ortografiei cuvintelor din dicționare, controlul sintactic - descompunerea mesajelor de intrare în componente separate (definirea structurii) cu verificarea respectării regulilor gramaticale ale reprezentării interne a cunoștințelor și identificarea părților lipsă și, în final, analiza semantică – stabilirea corectitudinii semantice a structurilor sintactice. Sinteza propoziţiilor rezolvă problema inversă a transformării reprezentării interne a informaţiei în limbaj natural.

Interfața în limbaj natural este folosită pentru:

acces la baze de date inteligente;

căutarea contextuală a informațiilor textuale documentare;

traducere automată din limbi străine.

Sisteme hipertext conceput pentru a implementa căutarea prin cuvinte cheie în bazele de date cu informații text. Sistemele hipertext inteligente se disting prin posibilitatea unei organizări semantice mai complexe a cuvintelor cheie, care reflectă diferitele relații semantice ale termenilor. Astfel, mecanismul de căutare funcționează în primul rând cu baza de cunoștințe a cuvintelor cheie și abia apoi direct cu textul. Într-un sens mai larg, cele de mai sus se aplică căutării de informații multimedia, care include, pe lângă informații textuale și digitale.

Sisteme contextuale ajutorul poate fi considerat ca un caz special de hipertext inteligent și sisteme de limbaj natural. Spre deosebire de sistemele de ajutor convenționale care impun utilizatorului o schemă de căutare a informațiilor necesare, în sistemele de ajutor de context, utilizatorul descrie o problemă (situație), iar sistemul, folosind un dialog suplimentar, o specifică și caută recomandări legate de situație. în sine. Astfel de sisteme aparțin clasei de sisteme de diseminare a cunoștințelor (Knowledge Publishing) și sunt create ca anexă la sistemele de documentare (de exemplu, documentația tehnică pentru funcționarea mărfurilor).

Sisteme grafice cognitive permit realizarea interfeței utilizator cu IMS folosind imagini grafice care sunt generate în conformitate cu evenimentele care au loc. Astfel de sisteme sunt utilizate în monitorizarea și gestionarea proceselor operaționale. Imaginile grafice într-o formă vizuală și integrată descriu mulți parametri ai situației studiate. De exemplu, starea unui obiect controlat complex este afișată ca o față umană, pe care fiecare trăsătură este responsabilă pentru orice parametru, iar expresia generală a feței oferă o descriere integrată a situației. Sistemele grafice cognitive sunt utilizate pe scară largă și în sistemele de predare și formare bazate pe principiile realității virtuale, când imaginile grafice simulează situații în care elevul trebuie să ia decizii și să efectueze anumite acțiuni.

Sistem expert concepute pentru a rezolva probleme pe baza bazei de cunoștințe acumulate, reflectând experiența experților în domeniul problemei luate în considerare.

Sisteme multi-agenți. Astfel de sisteme dinamice se caracterizează prin integrarea în baza de cunoștințe a mai multor surse eterogene de cunoștințe care schimbă rezultatele obținute pe o bază dinamică.

Pentru sisteme multi-agent sunt caracteristice următoarele caracteristici:

efectuarea raționamentului alternativ bazat pe utilizarea diverselor surse de cunoaștere cu un mecanism de eliminare a contradicțiilor;

rezolvarea distribuită de probleme, care sunt împărțite în subprobleme de rezolvare paralelă corespunzătoare surselor independente de cunoaștere;

aplicarea unei varietăți de strategii pentru funcționarea mecanismului de inferență, în funcție de tipul problemei care se rezolvă;

prelucrarea marilor mari de date continute in baza de date;

utilizarea diferitelor modele matematice și proceduri externe stocate în baza de date a modelelor;

capacitatea de a întrerupe rezolvarea problemelor datorită necesității de a obține date și cunoștințe suplimentare de la utilizatori, modele și subprobleme fiind rezolvate în paralel.

In nucleu sisteme de autoînvățare metode de clasificare automată a exemplelor de situaţii de practică reală se află.

Trăsăturile caracteristice ale sistemelor de autoînvățare sunt:

sisteme de autoînvățare „supravegheate”, când pentru fiecare exemplu este stabilită în mod explicit valoarea atributului de apartenență a acestuia la o anumită clasă de situații (atribut de formare a clasei);

sisteme de autoînvățare „fără profesor”, atunci când, în funcție de gradul de apropiere a valorilor caracteristicilor de clasificare, sistemul însuși identifică clase de situații.

Sisteme inductive folosiți o generalizare a exemplelor după principiul de la particular la general. Procesul de clasificare a exemplelor este următorul:

Un atribut de clasificare este selectat dintr-un set de date (fie secvenţial, fie conform unei reguli, de exemplu, în conformitate cu numărul maxim de subseturi de exemple obţinute).

În funcție de valoarea caracteristicii selectate, setul de exemple este împărțit în subseturi.

Se verifică dacă fiecare subset rezultat de exemple aparține unei singure subclase.

Dacă un subset de exemple aparține unei subclase, adică toate exemplele subsetului au aceeași valoare a atributului de formare a clasei, atunci procesul de clasificare se termină (în timp ce atributele de clasificare rămase nu sunt luate în considerare).

Pentru subseturile de exemple cu o valoare nepotrivită a caracteristicii de formare a clasei, procesul de clasificare continuă de la punctul 1 (fiecare subset de exemple devine un set clasificabil).

Rețele neuronale sunt dispozitive de calcul paralele formate din multe procesoare simple care interacționează. Fiecare procesor dintr-o astfel de rețea se ocupă doar de semnalele pe care le primește periodic și de semnalele pe care le trimite periodic altor procesoare.

În sistemele expert bazat pe precedent(analogii), baza de cunoștințe conține descrieri nu ale situațiilor generalizate, ci ale situațiilor în sine sau ale precedentelor.

Căutarea unei soluții la o problemă în sistemele expert bazate pe precedent este redusă la căutarea prin analogie (adică inferența abductivă de la particular la particular).

Spre deosebire de baza de date inteligentă, stocarea informațiilor este un depozit de informații semnificative extrase din baza de date operațională, care este destinat analizei operaționale a datelor situaționale (implementarea tehnologiei OLAP).

Sarcinile tipice ale analizei situaționale operaționale sunt:

determinarea profilului consumatorilor de obiecte de stocare specifice;

previziunea modificărilor obiectelor de stocare în timp;

analiza dependențelor semnelor situațiilor (analiza corelației).

Sistem de informare adaptiv este un sistem informaţional care îşi modifică structura în concordanţă cu schimbarea modelului zonei problemei.

în care:

un sistem informatic adaptabil ar trebui să sprijine în mod adecvat organizarea proceselor de afaceri în orice moment;

un sistem informatic adaptabil ar trebui să se adapteze ori de câte ori este nevoie de reorganizare a proceselor de afaceri;

reconstrucția sistemului informațional trebuie efectuată rapid și cu costuri minime.

Miezul unui sistem informatic adaptiv este un model în continuă evoluție al unei zone problematice (întreprindere) menținut într-o bază specială de cunoștințe - un depozit. Pe baza nucleului, software-ul este generat sau configurat. Astfel, proiectarea și adaptarea SI se reduce, în primul rând, la construirea unui model al zonei problematice și ajustarea acestuia în timp util.

Deoarece nu există o definiție general acceptată, este dificil să se ofere o clasificare unificată clară a sistemelor informaționale inteligente. De exemplu, dacă luăm în considerare sistemele informaționale inteligente din punctul de vedere al problemei care se rezolvă, atunci putem distinge sisteme de control și sisteme de referință, sisteme informatice lingvistice, sisteme de recunoaștere, sisteme de joc și sisteme de creare a sistemelor informaționale inteligente (Fig. 2).

În același timp, sistemele pot rezolva nu una, ci mai multe probleme sau, în procesul de rezolvare a unei probleme, pot rezolva o serie de altele. De exemplu, atunci când predați o limbă străină, sistemul poate rezolva problema recunoașterii vorbirii elevilor, poate testa, răspunde la întrebări, traduce texte dintr-o limbă în alta și poate sprijini o interfață în limbaj natural.

Figura 2 - Clasificarea sistemelor informaționale inteligente în funcție de sarcinile de rezolvat

Dacă clasificăm sistemele informaţionale inteligente conform criteriului „metode utilizate”, apoi se împart în tari, moi și hibrizi (Fig. 3).

Soft Computing este o metodologie computerizată complexă bazată pe logica fuzzy, calcul genetic, neurocomputing și calcul probabilistic. Rigid computing - computer tradițional (nu soft). sisteme hibride– sisteme care utilizează mai mult de o tehnologie informatică (în cazul sistemelor inteligente, tehnologii de inteligență artificială).

Orez. 3. Clasificarea sistemelor informaţionale inteligente după metode

Sunt posibile și alte clasificări, de exemplu, se disting sistemele de uz general și sistemele specializate (Fig. 4).

Orez. 4. Clasificarea sistemelor inteligente după scop

În plus, această diagramă reflectă o altă variantă de clasificare prin metode: sisteme care folosesc metode de reprezentare a cunoștințelor, sisteme de auto-organizare și sisteme create cu ajutorul programării euristice. Tot în această clasificare, sistemele de generare a muzicii sunt clasificate ca sisteme de comunicații.

La sisteme inteligente scop general include sisteme care nu numai că execută proceduri date, dar generează și execută proceduri pentru rezolvarea de noi probleme specifice bazate pe metaproceduri de căutare.

De specialitate sistemele inteligente rezolvă un set fix de sarcini predeterminate în timpul proiectării sistemului.

Lipsa unei clasificări clare se explică și prin varietatea sarcinilor intelectuale și a metodelor intelectuale, în plus, inteligența artificială este o știință în curs de dezvoltare în care noi domenii aplicate sunt stăpânite zilnic.

Sisteme informatice inteligente

Sistem informatic inteligent(IIS) este unul dintre tipurile de sisteme informatice automatizate, uneori IIS este numit sistem bazat pe cunoștințe. IIS este un complex de instrumente software, lingvistice și logico-matematice pentru implementarea sarcinii principale: implementarea suportului pentru activitățile umane și regăsirea informațiilor în modul avansat de dialog în limbaj natural.

Clasificarea IIS

• Sistem expert
  • De fapt, sisteme experte (ES)
  • Bannere interactive (web + ES)
• Sisteme întrebări-răspuns (în unele surse „sisteme de comunicare”)
  • Motoare de căutare inteligente (de exemplu, sistemul Start)

IIS poate fi plasat pe orice site unde utilizatorul pune întrebări sistemului în limbaj natural (dacă este un sistem întrebări-răspuns) sau, răspunzând la întrebările sistemului, găsește informațiile necesare (dacă este un sistem expert). Dar, de regulă, ES pe Internet efectuează funcții de publicitate și informare (banere interactive), iar sistemele serioase (cum ar fi, de exemplu, ES de diagnosticare a echipamentelor) sunt utilizate local, deoarece îndeplinesc sarcini specifice specifice.
Motoarele de căutare inteligente se deosebesc de interlocutorii virtuali prin faptul că sunt mai degrabă fără chip și, ca răspuns la o întrebare, oferă un extras din surse de cunoștințe (uneori destul de mari), iar interlocutorii au un „caracter”, o modalitate specială de comunicare (pot folosește argo, blasfemie), iar răspunsurile lor ar trebui să fie extrem de concise (uneori chiar doar sub formă de emoticoane, dacă se potrivește contextului :-)).

Pentru dezvoltarea IIS, au fost folosite anterior limbaje logice (Prolog, Lisp etc.), iar acum sunt folosite diverse limbaje procedurale. Software-ul logic și matematic este dezvoltat atât pentru modulele sistemelor în sine, cât și pentru alăturarea acestor module. Cu toate acestea, astăzi nu există un sistem logico-matematic universal care să poată satisface nevoile oricărui dezvoltator IMS, așa că trebuie fie să combinați experiența acumulată, fie să dezvoltați singur logica sistemului. În domeniul lingvisticii, există și multe probleme, de exemplu, pentru a asigura funcționarea sistemului în modul de dialog cu utilizatorul în limbaj natural, este necesar să se pună algoritmi pentru formalizarea limbajului natural în sistem, iar acest lucru sarcina sa dovedit a fi mult mai dificilă decât se aștepta în zorii dezvoltării sistemelor inteligente. O altă problemă este variabilitatea constantă a limbajului, care trebuie să se reflecte neapărat în sistemele de inteligență artificială.

Asigurarea funcționării IIS

• Matematic
• Lingvistic
• informativ
• Semantic
• Software
• Tehnic
• Tehnologic
• personal

Clasificarea sarcinilor rezolvate de IIS

• Interpretarea datelor. Aceasta este una dintre sarcinile tradiționale pentru sistemele expert. Interpretarea se referă la procesul de determinare a semnificației datelor, ale căror rezultate trebuie să fie consecvente și corecte. De obicei, se oferă o analiză multivariată a datelor.
• Diagnosticare. Diagnosticarea se referă la procesul de relaţionare a unui obiect cu o anumită clasă de obiecte şi/sau de detectare a unei defecţiuni într-un anumit sistem. O defecțiune este o abatere de la normă. Această interpretare face posibilă luarea în considerare, dintr-un punct de vedere teoretic unificat, a defecțiunilor echipamentelor în sistemele tehnice, a bolilor organismelor vii și a tot felul de anomalii naturale. O specificitate importantă aici este necesitatea de a înțelege structura funcțională („anatomia”) a sistemului de diagnostic.
• Monitorizarea. Sarcina principală a monitorizării este interpretarea continuă a datelor în timp real și semnalarea că anumiți parametri depășesc limitele admise. Principalele probleme sunt „saritul” unei situații alarmante și problema inversă a unei alarme „false”. Complexitatea acestor probleme constă în estomparea simptomelor situațiilor de anxietate și necesitatea de a lua în considerare contextul temporal.
• Proiecta. Proiectarea constă în pregătirea specificațiilor pentru crearea de „obiecte” cu proprietăți predeterminate. Caietul de sarcini este înțeles ca întregul set de documente necesare - un desen, o notă explicativă etc. Principalele probleme aici sunt obținerea unei descrieri structurale clare a cunoștințelor despre obiect și problema „urmei”. Pentru a organiza designul eficient și, într-o măsură și mai mare, reproiectarea, este necesar să se formeze nu numai deciziile de proiectare în sine, ci și motivele adoptării lor. Astfel, în problemele de proiectare, două procese principale sunt strâns legate, efectuate în cadrul ES corespondent: procesul de derivare a unei soluții și procesul de explicare.
• Prognoza. Prognoza vă permite să preziceți consecințele anumitor evenimente sau fenomene pe baza analizei datelor disponibile. Sistemele predictive deduc în mod logic consecințele probabile din situații date. Într-un sistem predictiv, se utilizează de obicei un model dinamic parametric, în care valorile parametrilor sunt „adaptate” la o situație dată. Consecințele derivate din acest model formează baza pentru previziuni cu estimări probabilistice.
• Planificare. Planificarea este înțeleasă ca găsirea de planuri de acțiune legate de obiecte capabile să îndeplinească anumite funcții. În astfel de ES se folosesc modele comportamentale ale obiectelor reale pentru a deduce logic consecințele activității planificate.
• Educaţie. Învățarea se referă la utilizarea unui computer pentru a preda o disciplină sau o materie. Sistemele de antrenament diagnosticează erorile în studiul oricărei discipline cu ajutorul calculatorului și sugerează soluțiile potrivite. Ei acumulează cunoștințe despre „elevul” ipotetic și greșelile sale caracteristice, apoi în muncă sunt capabili să diagnosticheze slăbiciunile cunoștințelor cursanților și să găsească mijloace adecvate pentru a le elimina. În plus, ei planifică actul de comunicare cu studentul în funcție de succesul studentului în vederea transferului de cunoștințe.
• Control. Managementul este înțeles ca o funcție a unui sistem organizat care susține un anumit mod de activitate. Un astfel de tip de ES controlează comportamentul sistemelor complexe în conformitate cu specificațiile date.
• Suport de decizie. Suportul decizional este un set de proceduri care furnizează decidentului informațiile și recomandările necesare pentru a facilita procesul de luare a deciziilor. Aceste ES ajută specialiștii să aleagă și/sau să formeze alternativa necesară dintre numeroasele opțiuni atunci când iau decizii responsabile.

În cazul general, toate sistemele bazate pe cunoștințe pot fi împărțite în sisteme care rezolvă probleme de analiză și sisteme care rezolvă probleme de sinteză. Principala diferență dintre problemele de analiză și problemele de sinteză este că, dacă în problemele de analiză setul de soluții poate fi enumerat și inclus în sistem, atunci în problemele de sinteză setul de soluții este potențial nelimitat și este construit din soluții de componente sau subprobleme. . Obiectivele analizei sunt: ​​interpretarea datelor, diagnosticare, suport decizional; sarcinile de sinteză includ proiectare, planificare și control. Combinate: instruire, monitorizare, prognoză.

Vezi si

Legături

• Asociația pentru Inteligența Artificială pe Internet alicebot.org

Fundația Wikimedia. 2010 .

Vedeți ce înseamnă „Sisteme de informații inteligente” în alte dicționare:

- (IIT) (ing. Intellectual information technology, IIT) sunt tehnologii informaționale care ajută o persoană să accelereze analiza situației politice, economice, sociale și tehnice, precum și sinteza deciziilor de management. În același timp ...... Wikipedia

sisteme inteligente- SISTEME INTELIGENTE (din lat. intellectus mind, mind) sisteme informatice care implementează unele caracteristici ale inteligenței umane, făcând posibilă stăpânirea sarcinilor dificile pe care o persoană le poate rezolva în timp real... ... Enciclopedia Epistemologiei și Filosofia Științei

- (IT, din engleza informatică, IT) o clasă largă de discipline și domenii de activitate legate de tehnologiile de gestionare și prelucrare a datelor, inclusiv utilizarea tehnologiei informatice. Recent, sub informații ... ... Wikipedia

Institutul de Automatizare și Inginerie Calculatoare al Institutului de Inginerie Energetică din Moscova (Universitatea Tehnică) ... Wikipedia

Universitatea de Stat de Inginerie și Informatică a Instrumentelor din Moscova (MGUPI) Fondată în 1936 Rector ... Wikipedia

Universitatea de Stat de Inginerie și Informatică a Instrumentelor din Moscova (MGUPI) Fondată în 1936 Rector ... Wikipedia

Universitatea de Stat de Inginerie și Informatică a Instrumentelor din Moscova (MGUPI) Fondată în 1936 Rector ... Wikipedia

Luarea deciziilor cu privire la acțiunile sau comportamentul într-o situație dată a oricăror subiecți (oameni, roboți, sisteme complexe de control) se realizează pe baza proceselor informaționale. Procesul de informare implementează relația dintre obiect și subiect (Fig. 1.1) și reprezintă percepția subiectului asupra realității obiective sub formă de date, prelucrarea acestor date în conformitate cu stabilirea țintă și cunoștințele existente despre dependențele de faptele în informații.

Pe baza informațiilor primite, se actualizează cunoștințele subiectului, se ia o decizie cu privire la o posibilă modificare a stării obiectului și a stabilirii țintei subiectului. Astfel, procesul de informare este considerat sub trei aspecte:

Aspectul sintactic este afișarea realității obiective în orice mediu și în orice limbă, adică datele.

Aspectul semantic este înțelegerea și interpretarea datelor bazate pe cunoașterea subiectului, care reflectă dependențe, modele de interacțiune între obiecte.

Aspectul pragmatic este evaluarea utilității noilor cunoștințe dobândite (increment de cunoștințe) ale subiectului în conformitate cu stabilirea țintă pentru luarea unei decizii, adică obținerea de informații în sens restrâns.

Într-un sens larg, informația este înțeleasă ca toate cele trei aspecte ale reflectării procesului informațional.

Orice sistem informatic informatic (SI) care implementează un proces informațional îndeplinește următoarele funcții: primește solicitările de informații introduse de utilizator (obiectivele de rezolvare a problemei) și datele inițiale necesare, prelucrează datele introduse și stocate în sistem în conformitate cu un algoritm cunoscut și generează informațiile de ieșire necesare. Din punctul de vedere al implementării funcțiilor enumerate, IS poate fi considerată ca o fabrică care produce informații, în care comanda este o cerere de informare, materia primă este datele inițiale, produsul este informația solicitată, iar instrument (echipament) este cunoștințele cu care datele sunt convertite în informații.

Cunoașterea subiecților procesului informațional poate fi reprezentată sub diverse forme. La oameni, cunoștințele sunt prezentate fie într-o formă nedocumentată (implicit, direct în cap), fie într-o formă documentată (explicită, livrescă). Mai mult, o formă textuală documentată de reprezentare a cunoștințelor sub formă de manuale, prevederi, instrucțiuni etc. nu este prea potrivit pentru extragerea rapidă a cunoştinţelor necesare la fundamentarea unor decizii specifice. Cunoștințele implicite ale experților sunt în general dificil de accesat pentru a fi utilizate în rezolvarea problemelor de către alți specialiști.

Sistemele informatice informatice, acționând ca subiecte ale procesului informațional, sunt concepute pentru a simplifica procesul de utilizare a cunoștințelor în rezolvarea problemelor de luare a deciziilor. Pentru a face acest lucru, cunoștințele trebuie structurate și memorate pentru o utilizare repetată ulterioară.

Cunoașterea are o dublă natură: faptică și operațională:

Cunoștințele faptice reprezintă informații cunoscute despre obiectele realității reflectate și se acumulează în bazele de date convenționale.

Cunoștințele operaționale reflectă dependențele și relațiile dintre obiecte care vă permit să interpretați date sau să extrageți informații din acestea. Cunoștințele operaționale sunt prezentate fie într-o formă algoritmică, fie într-o formă declarativă sub forma unor baze de cunoștințe structurate speciale.

Adesea, cunoștințele faptice se numesc extensionale (detaliate), iar cunoștințele operaționale - intensionale (generalizate).

Procesul informațional cu ajutorul unui sistem informatic informatic se reduce la o combinație adecvată de cunoștințe operaționale și faptice și se realizează diferit în diverse tipuri de sisteme informaționale. Cel mai simplu mod de a le conecta este într-un singur program de aplicație:

Document fără titlu

Astfel, cunoștințele operaționale (algoritmul) și cunoștințele faptice (structura datelor) sunt inseparabile unele de altele. Cu toate acestea, dacă în timpul funcționării IS devine clar că una dintre cele două componente ale programului trebuie modificată, atunci va trebui rescrisă. Acest lucru se explică prin faptul că doar dezvoltatorul IS are cunoștințe complete despre zona problemei, iar programul servește ca un „executor negânditor” al cunoștințelor dezvoltatorului. Utilizatorul final, datorită naturii procedurale și orientării către mașină a reprezentării cunoștințelor, înțelege doar latura externă a procesului de prelucrare a datelor și nu o poate influența în niciun fel.

Consecința acestor neajunsuri este viabilitatea slabă a SI sau neadaptarea la schimbările nevoilor de informații. În plus, din cauza determinismului algoritmilor sarcinilor în curs de rezolvare, SI nu este capabil să formeze cunoștințele utilizatorului despre acțiuni în situații incomplet definite. În sistemele bazate pe prelucrarea bazelor de date (SDB - Data Base Systems), există o separare a cunoștințelor faptice și operaționale unele de altele. Primul este organizat sub forma unei baze de date, al doilea - sub formă de programe. Mai mult, programul poate fi generat automat la cererea utilizatorului (de exemplu, implementarea de interogări SQL sau QBE). Un instrument software pentru accesarea datelor - un sistem de gestionare a bazelor de date (DBMS) acționează ca intermediar între program și baza de date:

Document fără titlu

SBD = Program<=>SGBD<=>Bază de date

Conceptul de independență a programului față de date face posibilă creșterea flexibilității SI pentru a îndeplini cererile de informații arbitrare. Cu toate acestea, această flexibilitate, datorită naturii procedurale a reprezentării cunoștințelor operaționale, are limite bine definite. Pentru a formula o cerere de informare, utilizatorul trebuie să înțeleagă clar structura bazei de date și, într-o anumită măsură, algoritmul de rezolvare a problemei. Prin urmare, utilizatorul trebuie să aibă o bună înțelegere a zonei problemei, structura logică a bazei de date și algoritmul programului. Schema conceptuală a bazei de date acționează în principal doar ca o legătură intermediară în procesul de mapare a structurii de date logice la structura de date a programului de aplicație.

Dezavantajele generale ale sistemelor informaționale tradiționale, care includ sisteme de primele două tipuri, sunt slaba adaptabilitate la schimbările din domeniul subiectului și nevoile de informare ale utilizatorilor, incapacitatea de a rezolva sarcinile prost formalizate cu care managerii se confruntă în mod constant. Aceste neajunsuri sunt eliminate în sisteme informatice inteligente (IIS).

O analiză a structurii programului arată posibilitatea extragerii cunoștințelor operaționale (reguli de transformare a datelor) din program în așa-numita bază de cunoștințe, care stochează într-o formă declarativă unități de cunoștințe comune diferitelor sarcini. În același timp, structura de control capătă caracterul unui mecanism universal de rezolvare a problemelor (mecanism de inferență), care leagă unități de cunoștințe în lanțuri executabile (algoritmi generați) în funcție de enunțul specific al problemei (formulat în solicitarea scopului și condiții inițiale). Astfel de SI devin sisteme bazate pe procesarea cunoștințelor (KBS - Knowledge Base (Based) Systems):

Document fără titlu

Următorul pas în dezvoltarea sistemelor informaționale inteligente este separarea într-un subsistem independent sau depozit de metacunoștințe, care descrie structura cunoștințelor operaționale și faptice și reflectă modelul zonei problemei. În astfel de sisteme, atât programele, cât și structurile de date sunt generate sau asamblate din unitățile de cunoștințe descrise în depozit de fiecare dată când modelul domeniului problemei se modifică. Să numim IIS, procesarea metacunoștințelor, sisteme bazate pe modele (SBM - Model Based Systems):

Document fără titlu

Pentru sistemele informaționale inteligente axate pe generarea de algoritmi pentru rezolvarea problemelor, sunt caracteristice următoarele caracteristici:

Abilitati de comunicare dezvoltate

Capacitatea de a rezolva probleme complexe slab formalizate,

Capacitatea de a autoinvata,

Adaptabilitate.

Abilități de comunicare IIS caracterizează modul de interacțiune (interfață) utilizatorului final cu sistemul, în special, posibilitatea formulării unei cereri arbitrare într-un dialog cu IIS într-un limbaj cât mai apropiat de natural.

Sarcini complexe slab formalizate- sunt sarcini care necesită construirea unui algoritm de soluție original în funcție de situația specifică, care poate fi caracterizată prin incertitudine și dinamism al datelor și cunoștințelor inițiale.

Capacitatea de a autoinvata- aceasta este posibilitatea extragerii automate a cunostintelor pentru rezolvarea problemelor din experienta acumulata a unor situatii specifice.

adaptabilitate- capacitatea de a dezvolta sistemul în conformitate cu schimbări obiective în modelul zonei problemei.

În diferite IIS, semnele enumerate ale inteligenței sunt dezvoltate într-un grad inegal și este rar ca toate cele patru semne să fie realizate simultan. În mod convențional, fiecare dintre semnele de inteligență corespunde propriei sale clase de IIS (Fig. 1.2):

Sisteme cu interfață inteligentă;

Sistem expert;

Sisteme de autoînvățare;

sisteme adaptative.

Toate cele patru caracteristici ale inteligenței sunt implementate într-o oarecare măsură în sistemele de management al cunoștințelor.

Baze de date inteligente diferă de bazele de date convenționale prin capacitatea de a selecta, la cerere, informațiile necesare, care pot să nu fie stocate în mod explicit, dar derivate din cele disponibile în baza de date. Ieșirea informațiilor implicite se realizează prin interpretarea următoarelor dependențe:

Dependențe de calcul ale atributelor, de exemplu, „afișează o listă de bunuri al căror preț este mai mare decât media industriei”,

Relațiile structurale ale obiectelor, de exemplu, „afișează o listă de produse înlocuitoare pentru unele produse”,

Dependențe logice ale factorilor de luare a deciziilor, de exemplu, „afișează o listă de potențiali cumpărători ai unui anumit produs”.

Pentru a executa primul tip de interogare, mai întâi este necesar să se efectueze un calcul statistic al prețului mediu al industriei pentru întreaga bază de date și numai după aceea, selecția efectivă a datelor.

Pentru a executa al doilea tip de interogare, este necesar să afișați valorile trăsăturilor caracteristice ale obiectului și apoi să căutați obiecte similare folosindu-le.

Pentru al treilea tip de solicitare, trebuie mai întâi să determinați lista vânzătorilor intermediari care vând acest produs, apoi să căutați cumpărători asociați acestora.

În toate tipurile de interogări de mai sus, este necesară căutarea după o condiție, care trebuie definită în continuare în cursul rezolvării problemei. Sistemul inteligent, fără ajutorul utilizatorului, folosește structura bazei de date pentru a construi calea de acces la fișierele de date. Formularea cererii se realizează într-un dialog cu utilizatorul, a cărui succesiune de pași este efectuată în forma cea mai convenabilă pentru utilizator. O interogare de bază de date poate fi, de asemenea, formulată folosind o interfață în limbaj natural.

Interfață în limbaj natural presupune traducerea construcțiilor limbajului natural la nivelul reprezentării cunoștințelor intramașină. Pentru a face acest lucru, este necesar să se rezolve problemele de analiză și sinteza morfologică, sintactică și semantică a enunțurilor în limbaj natural. Deci, analiza morfologică presupune recunoașterea și verificarea ortografiei cuvintelor din dicționare, controlul sintactic - descompunerea mesajelor de intrare în componente separate (definirea structurii) cu verificarea respectării regulilor gramaticale ale reprezentării interne a cunoștințelor și identificarea părților lipsă și, în final, analiza semantică – stabilirea corectitudinii semantice a structurilor sintactice. Sinteza propoziţiilor rezolvă problema inversă a transformării reprezentării interne a informaţiei în limbaj natural.

Interfața în limbaj natural este folosită pentru:

Acces la baze de date inteligente;

Căutare contextuală a informațiilor textuale documentare;

Traducere automată din limbi străine.

Sisteme hipertext conceput pentru a implementa căutarea prin cuvinte cheie în bazele de date cu informații text. Sistemele hipertext inteligente se disting prin posibilitatea unei organizări semantice mai complexe a cuvintelor cheie, care reflectă diferitele relații semantice ale termenilor. Astfel, mecanismul de căutare funcționează în primul rând cu baza de cunoștințe a cuvintelor cheie și abia apoi direct cu textul. Într-un sens mai larg, acest lucru se aplică și căutării de informații multimedia, care include, pe lângă informațiile textuale și digitale, imagini grafice, audio și video.

Sisteme de ajutor context poate fi considerat ca un caz special de hipertext inteligent și sisteme de limbaj natural. Spre deosebire de sistemele de ajutor convenționale care impun utilizatorului o schemă de căutare a informațiilor necesare, în sistemele de ajutor de context, utilizatorul descrie o problemă (situație), iar sistemul, folosind un dialog suplimentar, o specifică și caută recomandări legate de situație. în sine. Astfel de sisteme aparțin clasei de sisteme de diseminare a cunoștințelor (Knowledge Publishing) și sunt create ca anexă la sistemele de documentare (de exemplu, documentația tehnică pentru funcționarea mărfurilor).

Sisteme grafice cognitive permit realizarea interfeței utilizator cu IMS folosind imagini grafice care sunt generate în conformitate cu evenimentele care au loc. Astfel de sisteme sunt utilizate în monitorizarea și gestionarea proceselor operaționale. Imaginile grafice într-o formă vizuală și integrată descriu mulți parametri ai situației studiate. De exemplu, starea unui obiect controlat complex este afișată ca o față umană, pe care fiecare trăsătură este responsabilă pentru orice parametru, iar expresia generală a feței oferă o descriere integrată a situației.

Sistemele grafice cognitive sunt utilizate pe scară largă și în sistemele de predare și formare bazate pe utilizarea principiilor realității virtuale, când imaginile grafice simulează situații în care elevul trebuie să ia decizii și să efectueze anumite acțiuni.

Numirea sistemelor expert constă în rezolvarea unor probleme destul de dificile pentru experți pe baza unei baze de cunoștințe acumulate care reflectă experiența experților în problematica luată în considerare. Avantajul utilizării sistemelor expert constă în posibilitatea de a lua decizii în situații unice pentru care algoritmul nu este cunoscut dinainte și se formează din datele inițiale sub forma unui lanț de raționament (reguli de decizie) din baza de cunoștințe. Mai mult, soluționarea problemelor se presupune a fi efectuată în condiții de incompletitudine, nefiabilitate, ambiguitate a informațiilor inițiale și evaluări calitative ale proceselor.

Un sistem expert este un instrument care îmbunătățește abilitățile intelectuale ale unui expert și poate îndeplini următoarele roluri:

Consultant pentru utilizatori neexperimentați sau neprofesioniști;

Asistent în legătură cu necesitatea unui expert care să analizeze diverse opțiuni de luare a deciziilor;

Un partener expert pe probleme legate de sursele de cunoștințe din domenii conexe.

Sistemele experte sunt utilizate în multe domenii, printre care segmentul de aplicații în afaceri este în frunte (Fig. 1.3).

Arhitectură de sistem expert cuprinde două componente principale: o bază de cunoștințe (depozitul de unități de cunoștințe) și un instrument software de accesare și prelucrare a cunoștințelor, constând din mecanisme de extragere a concluziilor (soluții), de dobândire a cunoștințelor, de explicare a rezultatelor obținute și de o interfață inteligentă (Fig. 1.4). . Mai mult, componenta centrală a sistemului expert este baza de cunoștințe, care acționează în raport cu alte componente ca un subsistem semnificativ care constituie valoarea principală. „Know-how”-ul bazei de cunoștințe a unui sistem expert bun este estimat la sute de mii de dolari, în timp ce setul de instrumente software este în mii sau zeci de mii de dolari.

Bază de cunoștințe este un ansamblu de unități de cunoaștere care reprezintă o reflectare a obiectelor zonei problemei și a relațiilor acestora, acțiunile asupra obiectelor și, eventual, incertitudinile cu care se desfășoară aceste acțiuni, formalizate cu ajutorul unei anumite metode de reprezentare a cunoștințelor.

Ca metode de reprezentare a cunoștințelor, cel mai des sunt folosite fie reguli, fie obiecte (cadre), fie o combinație a acestora. Deci, regulile sunt construcții:

Document fără titlu

De regulă, factorii de certitudine (CF) sunt fie probabilitățile condiționate ale abordării bayesiene (de la 0 la 1), fie coeficienții de încredere a logicii fuzzy (de la 0 la 100). Exemple de reguli arată astfel:

Document fără titlu

Cadrele sunt o colecție de atribute care descriu proprietăți și relații cu alte cadre. Spre deosebire de intrările în baza de date, fiecare cadru are un nume unic. Unele dintre atribute reflectă relații tipizate, cum ar fi „gen - specie” (super-clasă - sub-clasă), „întreg - parte”, etc. În loc de valori specifice ale atributelor obiectului, pot fi setate valori implicite (indicatorul de moștenire a atributelor este setat la S), inerent în clase întregi de obiecte sau proceduri atașate (proces). Un exemplu de rame este prezentat în fig. 1.5.

Interfață inteligentă. Schimbul de date între utilizatorul final și ES este realizat printr-un program inteligent de interfață care primește mesajele utilizatorului și le convertește într-o formă de reprezentare a bazei de cunoștințe și, dimpotrivă, traduce reprezentarea internă a rezultatului procesării în formatul utilizatorului și transmite un mesaj către mediile necesare. Cea mai importantă cerință pentru organizarea dialogului utilizatorului cu ES este naturalețea, ceea ce nu înseamnă formularea literală a nevoilor utilizatorului cu propoziții în limbaj natural, deși acest lucru nu este exclus în unele cazuri. Este important ca succesiunea de rezolvare a problemei să fie flexibilă, în concordanță cu ideile utilizatorului și condusă în termeni profesionali.

mecanism de retragere. Acest instrument software primește o solicitare convertită într-o reprezentare internă de la interfața inteligentă, generează un algoritm specific pentru rezolvarea problemei din baza de cunoștințe, execută algoritmul, iar rezultatul este furnizat interfeței inteligente pentru a emite un răspuns la solicitarea utilizatorului. .

Utilizarea oricărui mecanism de inferență se bazează pe procesul de găsire a unităților de cunoaștere (reguli, obiecte, precedente etc.) relevante pentru soluție în conformitate cu scopul și descrierea unei situații specifice (date inițiale) și legarea acestora, dacă necesar, într-un lanț de raționament, care duce la un anumit rezultat.

Pentru a reprezenta cunoștințele sub formă de reguli, aceasta poate fi un lanț de raționament direct (Fig. 1.6) sau invers (Fig. 1.7).

Reprezentarea în cadru (orientată pe obiecte) a cunoștințelor se caracterizează prin utilizarea mecanismului de moștenire a atributelor, atunci când valorile atributelor sunt transferate de-a lungul ierarhiei de la clasele superioare la cele inferioare (de exemplu, în Fig. 1.5, codul industriei, raportul de profitabilitate al industriei). De asemenea, atunci când atributele cadrului sunt completate cu datele necesare, procedurile atașate sunt lansate pentru execuție.

mecanism de explicație.În procesul sau ca urmare a soluționării problemei, utilizatorul poate solicita o explicație sau o justificare a soluției. În acest scop, SE trebuie să ofere un mecanism de explicație adecvat. Abilitățile explicative ale ES sunt determinate de capacitatea mecanismului de inferență de a memora modul de rezolvare a problemei. Apoi întrebările utilizatorului „Cum?” și de ce?" se primește o decizie sau se solicită niște date, sistemul poate emite oricând un lanț de raționament până la punctul de control solicitat, însoțind emiterea unei explicații cu comentarii pregătite în prealabil. În absența unei soluții la probleme, utilizatorului ar trebui să i se ofere automat o explicație. Este util să existe posibilitatea unei explicații ipotetice a soluției problemei, atunci când sistemul răspunde la întrebări despre ce se va întâmpla în cutare sau cutare caz.

Cu toate acestea, este posibil ca utilizatorul să nu fie întotdeauna interesat de rezultatul complet al soluției, care conține multe detalii inutile. În acest caz, sistemul ar trebui să poată selecta doar punctele cheie din lanț, ținând cont de importanța acestora și de nivelul de cunoștințe al utilizatorului. Pentru a face acest lucru, baza de cunoștințe trebuie să mențină un model de cunoștințe și intenții ale utilizatorului. Dacă utilizatorul continuă să nu înțeleagă răspunsul primit, atunci sistemul ar trebui să fie capabil să-l învețe pe utilizator anumite fragmente de cunoștințe într-un dialog bazat pe modelul suportat de cunoștințe problematice, de exemplu. dezvăluie concepte individuale și dependențe mai detaliat, chiar dacă aceste detalii nu au fost utilizate direct în rezultat.

Mecanismul dobândirii cunoștințelor. Baza de cunoștințe reflectă cunoștințele experților (specialiștilor) într-o anumită zonă problematică despre acțiuni în diverse situații sau procese pentru rezolvarea unor probleme specifice. Identificarea unor astfel de cunoștințe și prezentarea ulterioară a acestora în baza de cunoștințe se realizează de către specialiști chemați ingineri de cunoștințe. Pentru a introduce cunoștințe în baza de date și pentru actualizarea ulterioară a acestora, SE trebuie să aibă un mecanism de dobândire a cunoștințelor. În cel mai simplu caz, acesta este un editor inteligent care vă permite să introduceți unități de cunoștințe în baza de date și să efectuați controlul lor sintactic și semantic, de exemplu, pentru consecvență. În cazuri mai complexe, mecanismul de achiziție a cunoștințelor face posibilă extragerea cunoștințelor ca urmare a utilizării unor scenarii speciale pentru intervievarea experților, sau din exemple de intrare de situații reale, ca în cazul inferenței inductive, sau din texte, sau din experiență. a sistemului intelectual însuși.

Clase de sisteme expert.În funcție de gradul de complexitate al sarcinilor de rezolvat, sistemele expert pot fi clasificate astfel:

După metoda de formare a soluţiei Sistemele expert sunt împărțite în două clase: analiticȘi sintetic. Sistemele analitice presupun alegerea soluțiilor dintr-un set de alternative cunoscute (determinarea caracteristicilor obiectelor), iar sistemele sintetice - generarea de soluții necunoscute (formarea obiectelor).

După metoda luării în considerare a semnului temporal sistemele expert pot fi static sau dinamic. Sistemele statice rezolvă problemele cu date și cunoștințe neschimbate în procesul de rezolvare, sistemele dinamice permit astfel de modificări. Sistemele statice efectuează o soluție monotonă neîntreruptă a problemei de la introducerea datelor inițiale până la rezultatul final, sistemele dinamice oferă posibilitatea de a revizui rezultatele și datele obținute anterior în procesul de rezolvare.

După tipuri de date și cunoștințe utilizate sistemele expert sunt clasificate în sisteme cu determinat cunoștințe (bine definite) și incert cunoştinţe. Incertitudinea cunoștințelor (date) este înțeleasă ca fiind incompletitatea (absența), nesiguranța (inecizia măsurării), ambiguitatea (ambiguitatea conceptelor), neclaritatea (aprecierea calitativă în loc de cantitativă).

După numărul de surse de cunoaștere utilizate sisteme expert pot fi construite folosind unu sau seturi sursele de cunoaștere. Sursele de cunoaștere pot fi alternative (multe lumi) sau complementare (cooperante).

În conformitate cu caracteristicile enumerate ale clasificării, de regulă, se disting următoarele patru clase principale de sisteme expert (Fig. 1.8)

Clasificarea sistemelor expert. Sarcinile analitice includ în primul rând sarcini de recunoaștere a diferitelor situații, când esența unei anumite situații este relevată de un set de caracteristici (factori) date, în funcție de care este selectată o anumită secvență de acțiuni. Astfel, în conformitate cu condițiile inițiale, printre soluțiile alternative există una care satisface cel mai bine scopul și constrângerile.

Sistemele experte care rezolvă probleme de recunoaștere a situației se numesc clasificare, deoarece determină apartenența situației analizate la o anumită clasă. Ca principală metodă de formare a deciziilor, se folosește metoda deducției logice de la general la particular, atunci când se obține o anumită concluzie prin substituirea datelor inițiale într-un anumit set de enunțuri generale interconectate.

Extinderea sistemelor expert. Un tip mai complex de probleme analitice sunt cele care sunt rezolvate pe baza datelor inițiale incerte și a cunoștințelor aplicate. În acest caz, sistemul expert ar trebui, parcă, să determine cunoștințele lipsă, iar în spațiul decizional se pot obține mai multe soluții posibile cu probabilitate sau încredere diferită în necesitatea implementării lor. Abordarea probabilistică bayesiană, coeficienții de încredere, logica fuzzy pot fi utilizate ca metode de lucru cu incertitudini. Extinderea sistemelor expert poate folosi mai multe surse de cunoștințe pentru a forma o soluție. În acest caz, tehnicile euristice de selectare a unităților de cunoștințe din setul lor de conflict pot fi utilizate, de exemplu, pe baza utilizării priorităților de importanță, sau a gradului de certitudine rezultat al rezultatului, sau a valorilor funcțiilor de preferință etc.

Următoarele sunt tipice pentru problemele analitice de clasificare și redefinire a tipurilor: zonele cu probleme:

Interpretarea datelor- alegerea unei soluții dintr-un set fix de alternative pe baza informațiilor de intrare despre situația actuală. Scopul principal este de a determina esența situației luate în considerare, alegerea ipotezelor pe baza faptelor lor. Un exemplu tipic este un sistem expert pentru analiza situației financiare a unei întreprinderi.

Diagnosticare- Identificarea cauzelor care au dus la apariția situației. Este necesară o interpretare preliminară a situației, urmată de verificarea unor fapte suplimentare, de exemplu, identificarea factorilor care reduc eficiența producției.

Corecţie- diagnosticare, completată de posibilitatea de a evalua și recomanda acțiuni pentru corectarea abaterilor de la starea normală a situațiilor luate în considerare.

Transformarea sistemelor experte. Spre deosebire de sistemele expert analitice statice, sintetizarea sistemelor expert dinamice implică o transformare repetitivă a cunoștințelor în procesul de rezolvare a problemelor, care este asociată cu natura rezultatului, care nu poate fi predeterminat în prealabil, precum și cu dinamismul zonei problemei. în sine.

Varietăți de inferență ipotetică sunt utilizate ca metode pentru rezolvarea problemelor în transformarea sistemelor expert:

Generare și testare, atunci când ipotezele sunt generate din datele inițiale, iar apoi ipotezele formulate sunt testate pentru confirmare de faptele primite;

Ipoteze și implicite, atunci când cunoștințele despre clase similare de obiecte sunt selectate din date incomplete, care ulterior se adaptează dinamic la o situație specifică în funcție de dezvoltarea acesteia;

Utilizarea tiparelor generale (metacontrol) în cazul situațiilor necunoscute, permițând generarea cunoștințelor lipsă.

Sisteme multi-agenți. Astfel de sisteme dinamice sunt caracterizate de rezolvarea distribuită a problemelor de către mai mulți agenți software, fiecare dintre acestea având propria bază de cunoștințe și mecanism de inferență. Agenții software, de regulă, execută instrucțiunile oamenilor, subiecții rezolvării problemei, iar în acest sens sunt înlocuiți. În același timp, aceștia reacționează la evenimentele din mediul extern (agenți reactivi), procesează situații, iau decizii, transferă rezultatele rezolvării problemelor către utilizatori și către mediul extern. Cei mai inteligenți agenți (cognitivi) sunt capabili să învețe și să schimbe regulile comportamentului lor.

La rezolvarea în comun a problemelor de către mai mulți agenți software, se formează sisteme multi-agent (MAC), cu control centralizat sau descentralizat. În primul caz, MAC trebuie să aibă cel puțin un agent care acționează ca coordonator (dispecer), planificând și controlând implementarea proceselor. În al doilea caz, toți agenții sunt independenți în comportamentul lor. Integrarea muncii agenților software și a surselor corespunzătoare de cunoștințe se realizează pe o bază dinamică prin schimbul de rezultate obținute între aceștia, de exemplu, printr-un „tablou de buletin” (Fig. 1.9).

Sistemele multi-agent se caracterizează prin următoarele caracteristici:

Efectuarea raționamentului alternativ bazat pe utilizarea diverselor surse de cunoaștere cu un mecanism de eliminare a contradicțiilor;

Rezolvarea distribuită de probleme, care sunt împărțite în subprobleme de rezolvare paralelă corespunzătoare surselor independente de cunoaștere;

Aplicarea unei varietăți de strategii pentru funcționarea mecanismului de inferență, în funcție de tipul problemei care se rezolvă;

Prelucrarea unor cantități mari de date conținute în baza de date și capacitatea de auto-învățare, schimbarea regulilor de comportament ale agenților;

Utilizarea diverselor modele matematice și proceduri externe stocate în baza de date model;

Capacitatea de a întrerupe rezolvarea problemelor datorită necesității de a obține date și cunoștințe suplimentare de la utilizatori, modele și subprobleme fiind rezolvate în paralel.

Pentru sintetizarea sistemelor expert dinamice, următoarele sunt cele mai aplicabile. zonele cu probleme:

Proiecta- determinarea configurației obiectelor în ceea ce privește îndeplinirea criteriilor de performanță și constrângeri specificate, de exemplu, proiectarea unui buget de întreprindere, portofoliu de investiții, configurarea produsului în comerțul electronic.

Prognoza- predicția consecințelor dezvoltării situațiilor actuale pe baza modelării matematice și euristice, de exemplu, prognozarea tendințelor în tranzacționarea acțiunilor.

Planificare- selectarea unei secvențe de acțiuni ale utilizatorului pentru atingerea scopului, de exemplu, planificarea lanțurilor de aprovizionare a produselor (managementul lanțului de aprovizionare).

Expediere- repartizarea muncii în timp, programarea, de exemplu, programarea fluxurilor de lucru (workflow).

Monitorizarea- urmarirea situatiei curente cu eventuala corectare ulterioara. Pentru a face acest lucru, se efectuează diagnosticarea, prognoza și, dacă este necesar, planificarea și corectarea acțiunilor utilizatorului, de exemplu, monitorizarea vânzării produselor finite.

Control- monitorizare, completată de implementarea acțiunilor în sisteme automate, de exemplu, luarea deciziilor la tranzacționare la bursă.

Potrivit publicației, care analizează 12.500 de sisteme expert existente, distribuția sistemelor expert pe domenii problematice este următoarea (Fig. 1.10):

Sistemele de autoînvățare se bazează pe metode de clasificare automată a exemplelor de situații din viața reală (învățare prin exemplu). Exemple de situații reale se acumulează pe o anumită perioadă istorică și se alcătuiesc set de antrenament. Aceste exemple sunt descrise printr-o varietate de caracteristici de clasificare. Mai mult, eșantionul de antrenament poate fi:

„cu un profesor”, când pentru fiecare exemplu este stabilită în mod explicit valoarea atributului apartenenței sale la o anumită clasă de situații (atribut de formare a clasei);

„fără profesor”, atunci când, în funcție de gradul de apropiere a valorilor caracteristicilor de clasificare, sistemul însuși identifică clase de situații.

Ca urmare a instruirii sistemului, se construiesc automat reguli sau funcții generalizate care determină apartenența situațiilor la clase pe care sistemul instruit le folosește atunci când interpretează situații noi emergente. Astfel, se formează automat o bază de cunoștințe, care este utilizată în rezolvarea problemelor de clasificare și prognoză. Această bază de cunoștințe este ajustată periodic automat pe măsură ce se acumulează experiența situațiilor reale, ceea ce reduce costul creării și actualizării acesteia.

Dezavantajele comune comune tuturor sistemelor de autoînvățare sunt următoarele:

Incompletitudinea și/sau zgomotul (redundanța) eșantionului de instruire este posibilă și, ca urmare, adecvarea relativă a bazei de cunoștințe la problemele emergente;

Există probleme asociate cu claritatea semantică slabă a dependențelor caracteristicilor și, ca urmare, incapacitatea de a explica rezultatele utilizatorilor;

Limitările în dimensiunea spațiului de atribute determină o descriere superficială a zonei problemei și un focus restrâns de aplicare.

sisteme inductive. Generalizarea exemplelor după principiul de la particular la general se reduce la identificarea submulților de exemple aparținând acelorași subclase și la determinarea unor trăsături semnificative pentru acestea.

Procesul de clasificare a exemplelor este următorul:

1. O caracteristică de clasificare este selectată dintr-un set de elemente date (fie secvenţial, fie conform unei reguli, de exemplu, în conformitate cu numărul maxim de subseturi de exemple obţinute);

2. În funcție de valoarea caracteristicii selectate, setul de exemple este împărțit în subseturi;

3. Se verifică dacă fiecare subset de exemple rezultat aparține unei subclase;

4. Dacă un subset de exemple aparține unei subclase, de ex. toate exemplele de submult au aceeași valoare a atributului de formare a clasei, apoi procesul de clasificare se termină (în timp ce atributele de clasificare rămase nu sunt luate în considerare);

5. Pentru subseturile de exemple cu o valoare diferită a caracteristicii de formare a clasei, procesul de clasificare continuă de la punctul 1. (Fiecare submulțime de exemple devine o mulțime clasificabilă).

Procesul de clasificare poate fi reprezentat ca un arbore de decizie, în care nodurile intermediare conțin valorile atributelor unei clasificări secvențiale, iar nodurile finale conțin valorile atributului de apartenență la o anumită clasă. Un exemplu de construire a unui arbore de decizie bazat pe un fragment din tabelul exemplu (tabelul 1.1) este prezentat în fig. 1.11.

Tabelul 1.1

Document fără titlu

clasă semn	Caracteristici de clasificare
		Concurență	Cheltuieli	Calitate
		mic	mic
		mic
		mic
		mic	mic
		mic	mic
		mic

Analiza unei noi situații se reduce la alegerea unei ramuri de copac care definește complet această situație. Căutarea unei soluții se efectuează ca urmare a unei verificări secvențiale a caracteristicilor clasificării. Fiecare ramură a arborelui corespunde unei reguli de decizie:

Dacă cererea = „scăzută” și costurile = „mic”
Apoi Preț = „mic”

Exemple de instrumente care sprijină inferența cunoștințelor inductive sunt 1st Class (Programe în mișcare), Rulemaster (Radian Corp.), ILIS (ArgusSoft), KAD (IPS Pereyaslavl-Zalessky).

Rețele neuronale. Ca rezultat al instruirii pe exemple, sunt construite funcții de decizie matematică (funcții de transfer sau funcții de activare) care determină dependențele dintre caracteristicile (semnale) de intrare (Xi) și de ieșire (Yj) (fig. 1.12).

Fiecare astfel de funcție, numită prin analogie cu unitatea elementară a creierului uman - un neuron, afișează dependența valorii caracteristicii de ieșire (Y) de suma ponderată (U) a valorilor caracteristicilor de intrare (Xi). ), în care ponderea caracteristicii de intrare (Wi) arată gradul de influență a caracteristicii de intrare în ziua liberă:

selectie">Fig. 1.13).

Neuronii pot fi interconectați atunci când ieșirea unui neuron este intrarea altuia. Astfel, se construiește o rețea neuronală (Fig. 1.14), în care neuronii aflați la același nivel formează straturi.

Antrenarea unei rețele neuronale se reduce la determinarea conexiunilor (sinapsele) dintre neuroni și la stabilirea puterii acestor conexiuni (coeficienți de greutate). Algoritmii de învățare a rețelelor neuronale sunt simplificați pentru a determina dependența coeficientului de greutate al conexiunii a doi neuroni de numărul de exemple care confirmă această dependență.

Cel mai comun algoritm de antrenament al rețelei neuronale este algoritmul de backpropagation. Funcția obiectiv conform acestui algoritm ar trebui să asigure minimizarea erorii de învățare la pătrat pentru toate exemplele:

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

Avantajul rețelelor neuronale față de inferența inductivă constă în rezolvarea problemelor nu numai de clasificare, ci și de predicție. Posibilitatea unei naturi neliniare a dependenței funcționale a caracteristicilor de ieșire și de intrare vă permite să construiți clasificări mai precise.

Procesul de rezolvare a problemelor datorate transformărilor matriceale se realizează foarte rapid. De fapt, este simulat un proces paralel de trecere printr-o rețea neuronală, spre deosebire de procesul secvenţial din sistemele inductive. Rețelele neuronale pot fi implementate și în hardware sub formă de neurocalculatoare cu memorie asociativă.

Recent, rețelele neuronale au primit o dezvoltare rapidă și sunt utilizate foarte activ în domeniul financiar. Exemple de implementare a rețelelor neuronale includ:

„Sistem de prognoză a dinamicii cursurilor de schimb pentru Chemical Bank” (Logica);

„Sistemul de prognoză pentru Bursa de Valori din Londra” (SearchSpace);

Managementul investițiilor pentru Mellon Bank (NeuralWare) și altele.

NeuroSolution, Neural Works Professional II/Plus, Process Advisor, NeuroShell 2, BrainMaiker Pro, NeurOn-line etc. ar trebui evidențiate ca instrumente pentru dezvoltarea rețelelor neuronale.

Sisteme bazate pe caz(Raționament bazat pe cazuri). În aceste sisteme, baza de cunoștințe nu conține descrieri ale situațiilor generalizate, ci situațiile reale sau precedentele în sine. Atunci căutarea unei soluții la problemă se reduce la o căutare prin analogie (inferență de la particular la particular):

1. Obținerea de informații detaliate despre problema actuală;

2. Compararea informațiilor primite cu valorile semnelor precedente din baza de cunoștințe;

3. Selectarea unui precedent din baza de cunoștințe care este cel mai apropiat de problema luată în considerare;

4. Dacă este necesar, precedentul selectat este adaptat la problema actuală;

5. Verificarea corectitudinii fiecarei solutii obtinute;

6. Introducerea informațiilor detaliate despre soluția obținută în baza de cunoștințe.

La fel ca și pentru sistemele inductive, precedentele sunt descrise printr-un set de caracteristici, conform cărora se construiesc indecși de căutare rapidă. Dar spre deosebire de sistemele inductive, o căutare este permisă pentru a obține un set de alternative fezabile, fiecare dintre acestea fiind evaluată printr-o anumită măsură de similitudine cu situația analizată. De obicei, ca măsură a asemănării a două precedente, o funcție este luată din suma ponderată a valorilor caracteristicilor coincidente ale precedentelor normalizate pe o scară de abatere relativă comună. Formal, asemănarea completă a SIM între cazurile A și B, descrise prin caracteristicile p, poate fi exprimată:

formula" src="http://hi-edu.ru/e-books/xbook717/files/f12.gif" border="0" align="absmiddle" alt="(!LANG:- asemănarea locală (deviația) a valorilor caracteristicii i-a a două precedente A și B, normalizate pe scară

Următoarele funcții pot fi utilizate ca funcții de similaritate completă 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:- Maxim

unde p > 0, exemplu ">p număr de caracteristici, formulă" src="http://hi-edu.ru/e-books/xbook717/files/f18.gif" border="0" align="absmiddle" alt ="(!LANG: = 1.

În plus, soluțiile cele mai potrivite sunt adaptate în funcție de algoritmi speciali la situațiile reale. Ca metode de adaptare se folosesc în principal metodele de reconcretizare a variabilelor, rafinarea parametrilor, înlocuirea unor componente ale soluției cu altele. Învățarea sistemului se reduce la memorarea fiecărei situații noi procesate cu deciziile luate în baza de date a precedentelor.

Cele mai cunoscute instrumente de dezvoltare de aplicații care folosesc căutarea precedentă sunt: ​​CBR-Express (Inference), REMIND (Cognitive Systems), ReCall (Isoft SA), KATE tools (Acknosoft), Pattern Recognition Workbench (Unica), etc. Sistemele pot crea diverse aplicatii pentru rezolvarea problemelor de diagnosticare, analiza riscurilor, predictie, control si instruire. Sistemele bazate pe cazuri sunt utilizate ca sisteme avansate de diseminare a cunoștințelor sau ca sisteme de ajutor sensibile la context. De exemplu, Centrul de ajutor Dell din Dublin utilizează sistemul CBR-Express pentru a ajuta centrul să răspundă la mai multe apeluri telefonice. Datorită acestui sistem, productivitatea a 200 de angajați ai centrului a crescut la 3.000 de apeluri pe zi de la utilizatori. Un exemplu de astfel de consultare poate arăta astfel (Fig. 1.15).

Extragerea cunoștințelor pe baza depozitelor de informații(Data mining bazat pe Data Warehouse). Spre deosebire de o bază de date inteligentă, un depozit de informații este un depozit de informații semnificative extrase din bazele de date operaționale, care este destinat în primul rând analizei datelor operaționale (implementarea tehnologiei OLAP). Interogarea este formulată ca urmare a utilizării unei interfețe inteligente care vă permite să definiți în mod flexibil caracteristicile de analiză semnificative pentru gruparea arbitrară a datelor în dialog. Cele mai cunoscute instrumente de suport pentru depozitele de informații și tehnologiile OLAP sunt instrumente precum pachetul statistic de aplicații SAS, programe specializate Business Objects, Oracle Express, produse software autohtone PolyAnalyst, Kontur Standard etc.

Sarcinile tipice ale analizei situaționale operaționale, rezolvate pe baza stocărilor de informații, sunt:

Determinarea profilului consumatorilor unui anumit produs;

Prezicerea schimbărilor în situația pieței;

Analiza dependențelor semnelor situațiilor (analiza corelației), etc.

Pentru a rezolva aceste probleme, este necesar să se utilizeze metode de extragere a cunoștințelor din baze de date (Data Mining sau Knowledge Discovery), bazate pe utilizarea metodelor de analiză statistică multivariată, metode inductive de construire a arborilor de decizie, rețele neuronale și algoritmi genetici.

Să luăm în considerare esența aplicării unei metode neconsiderate anterior bazată pe utilizarea algoritmilor genetici. Să fie necesar să se determine un set de indicatori economici care au cel mai mare impact asupra dinamicii pozitive a comportamentului pieței. Apoi setul de indicatori poate fi considerat ca un set de cromozomi care determină calitățile individului, adică soluția problemei. Valorile indicatorilor care determină decizia corespund genelor.

Căutarea soluției optime a problemei este similară cu evoluția unei populații de indivizi reprezentate de seturile lor de cromozomi. În această evoluție operează trei mecanisme: selecția celor mai puternice - seturi de cromozomi, care corespund celor mai optime soluții; încrucișare - producerea de noi indivizi prin amestecarea seturi de cromozomi de indivizi selectați; și mutații - modificări aleatorii ale genelor la unii indivizi dintr-o populație. Ca urmare a schimbării generațiilor, în final, se dezvoltă o astfel de soluție a problemei, care nu mai poate fi îmbunătățită în continuare.

Algoritmii genetici au o serie de dezavantaje. Criteriul de selecție a cromozomilor și procedura în sine sunt euristice și nu garantează întotdeauna găsirea celei mai bune soluții. Ca și în viața reală, evoluția se poate opri la o ramură neproductivă. Pe de altă parte, se pot găsi exemple atunci când continuările promițătoare sunt excluse din evoluție printr-un algoritm genetic. Acest lucru devine deosebit de vizibil atunci când se rezolvă probleme la scară largă cu conexiuni interne complexe. Un exemplu de dezvoltare a sistemelor bazate pe algoritmi genetici este sistemul GeneHunter de la Ward Systems Group.

Aplicarea metodelor de analiză intelectuală bazată pe depozite de informații demonstrează în practică din ce în ce mai mult necesitatea integrării tehnologiilor informaționale inteligente și tradiționale, utilizarea combinată a diferitelor metode de reprezentare și obținere a cunoștințelor și complexitatea arhitecturii sistemelor informaționale (a se vedea paragraful 1.6). și capitolul 7).

În contextul dezvoltării dinamice a obiectelor economice, cerințele de adaptabilitate a sistemelor informaționale la schimbări sunt în creștere. Aceste cerințe sunt după cum urmează:

IS în orice moment trebuie să sprijine în mod adecvat organizarea proceselor de afaceri.

Reconstrucția SI trebuie efectuată ori de câte ori este nevoie de reorganizare a proceselor de afaceri.

Reconstrucția IS trebuie efectuată rapid și cu costuri minime.

Având în vedere dinamismul ridicat al proceselor moderne de afaceri, putem concluziona că adaptabilitatea SI este de neconceput fără intelectualizarea arhitectura ei. Miezul unui IS adaptiv este o evoluție constantă model de zonă cu probleme (întreprindere), menținută într-o bază specială de cunoștințe - depozit, pe baza căreia se generează sau se configurează software-ul. Astfel, proiectarea și adaptarea SI se reduce, în primul rând, la construirea unui model al zonei problematice și ajustarea acestuia în timp util. Prin urmare, sistemul adaptiv poate fi atribuit clasei unui sistem informațional inteligent bazat pe modelul zonei problemei.

La proiectarea unui sistem informatic se folosesc de obicei două abordări: originală sau design standard. Prima abordare presupune dezvoltarea unui sistem informatic „de la zero” în conformitate cu cerințele obiectului economic, a doua abordare este adaptarea dezvoltărilor standard la caracteristicile obiectului economic. Prima abordare, de regulă, este implementată pe baza aplicației sisteme de proiectare asistată de calculator sau tehnologii CASE, precum Designer 2000 (Oracle), SilverRun (SilverRun Technology), Natural LightStorm (Software AG), etc., a doua abordare se bazează pe aplicație Sisteme de proiectare a componentelor IC, cum ar fi R/3 (SAP), BAAN IV (Baan Corp), Galaxy (New Atlant), etc.

Din punct de vedere al adaptabilităţii sistemului informaţional la procesele de afaceri ale obiectului economic, ambele abordări sunt ghidate de un studiu prealabil aprofundat al obiectului economic şi modelării acestuia. Diferența dintre abordări este următoarea: atunci când se utilizează tehnologia CASE bazată pe depozit, când are loc o schimbare, software-ul este generat (recreat) de fiecare dată, iar când se utilizează tehnologia componentelor, programele sunt configurate și numai în cazuri rare acestea sunt procesate folosind instrumente CASE, de exemplu, utilizarea limbilor de generația a patra (4GL).

Pentru a modela zona problemei și configurațiile ulterioare ale sistemului informațional din componente individuale (module software), sunt utilizate instrumente software speciale, de exemplu, R / 3 Business Engineer și BAAN DEM (Dynamic Enterprise Modeler). Avantajul incontestabil al folosirii sistemelor de componente orientate pe model, precum R/3 sau BAAN IV, fata de tehnologiile CASE este acumularea de experienta in proiectarea sistemelor informatice pentru diverse industrii si tipuri de productie sub forma unor modele standard sau asa numite modele de referință / referință (de referință)., care sunt furnizate împreună cu produsul software sub forma unui depozit umplut. Astfel, împreună cu produsul software, utilizatorii dobândesc o bază de cunoștințe „know-how” despre metode eficiente de organizare și gestionare a proceselor de afaceri care pot fi adaptate în conformitate cu specificul unui anumit obiect economic.

Într-o formă generalizată, configurația sistemelor informaționale adaptive bazate pe tehnologia componentelor este prezentată în fig. 1.16.

Modelul de bază al depozitului conține o descriere obiecte, funcții (operații), procese (set de operații), care sunt implementate în modulele de program ale sistemului componente. În același timp, sarcina reguli (reguli de afaceri) menținerea integrității sistemului informațional, care stabilesc condițiile de verificare a corectitudinii aplicării în comun a operațiunilor proceselor de afaceri și a modulelor software care le susțin. Astfel, diversitatea și flexibilitatea definirii proceselor de afaceri și a configurațiilor corespunzătoare ale sistemului informațional este specificată folosind un set de reguli de afaceri.

Modelele tipice corespund configurațiilor tipice ale sistemelor informatice realizate pentru anumite industrii (auto, electronică, petrol și gaze etc.) sau tipuri de producție (individuală, în serie, în masă, continuă etc.).

Model de întreprindere (zona cu probleme) este construit fie prin legarea, fie prin copierea unor fragmente ale modelelor principale sau generice, în conformitate cu caracteristicile specifice ale întreprinderii, de exemplu, ca în instrumentul BAAN Orgware, fie ca urmare a vizionării acestor modele și a unui sondaj de experți, ca în Instrument R/3 Business Engineer. Mai mult, în acest din urmă caz, utilizatorului i se cere să determine valorile nu tuturor parametrilor, ci numai a celor care sunt interconectați în contextul dialogului și sunt descriși de regulile de afaceri.

Modelul de întreprindere generat sub forma unei meta descrieri este stocat în depozit și, dacă este necesar, poate fi corectat. În plus, conform modelului de întreprindere format, configurarea sistemului informațional este efectuată automat, timp în care controlul semantic este efectuat conform regulilor de afaceri corespunzătoare.

Dezavantajele schemei de configurare a sistemului informatic descrise este lipsa mijloacelor de evaluare a modelului de întreprindere. Pentru a putea alege optiunile optime de configurare a sistemului informatic, de regula, se folosesc instrumente pentru exportul modelului catre sisteme de modelare externe. Astfel, sistemul R/3 prevede exportul (importul) modelelor către (din) mediul (mediile) instrumentului ARIS Toolset, care vă permite să efectuați o analiză funcțională a costurilor a eficacității proceselor de business modelate și a acestora. simulare dinamică.

Schimbările continue care au loc în economie dictează necesitatea actualizării constante a cunoștințelor întreprinderilor și organizațiilor ca capital intelectual care asigură pozițiile strategice sustenabile ale întreprinderilor pe piață. Potrivit lui B.Z. Milner, „se formează o nouă funcție de management, a cărei sarcină este să acumuleze capital intelectual, să identifice și să disemineze informațiile și experiența existente și să creeze premisele pentru diseminarea și transferul de cunoștințe. Cunoașterea devine sursa de productivitate ridicată, inovație și avantaj competitiv.” Noua functie de management al cunostintelor este implementata ca un ansamblu de procese pentru achizitia sistematica, sinteza, schimbul si utilizarea cunostintelor in cadrul organizatiei. Managementul cunoştinţelor se caracterizează prin formarea colectivă şi utilizarea atât a surselor interne cât şi externe de cunoştinţe (resurse informaţionale).

Potrivit unui sondaj al directorilor generali din Fortune 1000, 97% dintre manageri au spus că există procese cheie pentru companie care ar putea fi îmbunătățite semnificativ dacă doar mai mulți angajați ar ști despre ele. În același sondaj, 87% dintre participanții săi spun că erorile costisitoare apar tocmai pentru că angajații nu primesc la timp informațiile necesare.

Calitatea cunoștințelor utilizate afectează în mod direct eficiența următoarelor procese de afaceri:

Luarea deciziilor manageriale în managementul strategic, tactic și operațional ca urmare a obținerii accesului în timp util la cunoștințele relevante;

Activitate inovatoare datorita posibilitatii de formare colectiva a ideilor si reducerea costului de duplicare a muncii, asigurand accelerarea ciclului de inovare;

Dezvoltarea profesională continuă a angajaților întreprinderilor în timp real;

Oferirea partenerilor (furnizori, antreprenori, clienți), pe lângă serviciile lor de bază, acces la cunoștințele acumulate, inclusiv consultanță și formare.

Sub sistem de management al cunoștințelor (KMS) vom înțelege ansamblul procedurilor organizaționale, unităților organizaționale (servicii de management al cunoștințelor) și tehnologiilor informatice care asigură integrarea surselor eterogene de cunoștințe și utilizarea lor colectivă în procesele de afaceri.

Potrivit lui Popov E.V., cheltuielile mondiale pentru crearea și funcționarea CPS, care s-au ridicat la 2 miliarde USD în 1999, vor crește la 12 miliarde USD până în 2003, în care 7,9 miliarde USD vor fi asociate cu furnizarea de servicii, 1,8 USD. miliarde pentru software, 0,9 miliarde USD pentru întreținerea infrastructurii și 1,4 miliarde USD pentru resurse interne. Cu toate acestea, conform experților Delphi Consulting Group, în prezent, doar 12% din cunoștințele corporative sunt formalizate în baze de date și cunoștințe informatice.

O trăsătură distinctivă a sistemului de management al cunoștințelor este integrarea multor surse de cunoștințe eterogene, adesea distribuite geografic, pentru a rezolva probleme comune. KMS integrează cunoștințele din surse interne și externe. Sursele de cunoștințe pot avea o formă nedocumentată (cunoștințe implicite ale experților), o formă documentată textuală, tabelară, grafică și o formă structurată sub forma bazelor de cunoștințe ale sistemelor expert.

Sursele interne de cunoștințe includ:

Documentația tehnică, descrierea proceselor de producție și de afaceri,

Baze de date interne (baze de date) și depozite de informații (depozit de date),

Baze de cunoștințe ale experienței de muncă a specialiștilor („bune practică”),

Descrierea profilurilor de cunoștințe ale specialiștilor (experți),

Sisteme expert specializate.

Sursele externe de cunoștințe includ:

Materiale ale publicațiilor și știrilor conținute în INTERNET,

sisteme electronice de învățare,

Baze de date externe ale partenerilor și baze de date statistice în secțiunile regionale, de produse și industrie,

Director de experți și companii de consultanță specializate în domenii specifice cu probleme, link-uri către forumuri de pe INTERNET,

Modele de referință pentru organizarea proceselor de afaceri (industrie și soluții standard).

Un sistem de management al cunoștințelor este utilizat de obicei în două aspecte:

Oferirea de cunoștințe de înaltă calitate a proceselor de rezolvare a diferitelor probleme.

Crearea unui mediu interactiv pentru interacțiunea specialiștilor în procesul de rezolvare a problemelor.

Din punctul de vedere al primului aspect, KMS, spre deosebire de sistemele informaționale tradiționale pentru suportul documentației (sisteme de recuperare a informațiilor), transformă cunoștințele într-un produs finit cu o valoare de utilizare ridicată, întrucât cunoștințele, spre deosebire de un set de tot felul de informații legate de o solicitare, corespunde exact naturii problemei care se rezolva si poate fi folosita direct.la elaborarea unei solutii.

Din punctul de vedere al celui de-al doilea aspect, KMS creează un mediu interactiv pentru ca oamenii să comunice, în care capacitatea creativă de a genera noi cunoștințe crește, intrând imediat în memoria corporativă pentru utilizare ulterioară. Cu ajutorul KMS, orice întreprindere sau organizație se transformă într-o organizație de învățare, creând o „spirală de cunoaștere”, în care „cunoștințele necunoscute (implicite) trebuie identificate și diseminate pentru a deveni parte a bazei de cunoștințe individualizate a fiecărui angajat. Spirala se reînnoiește de fiecare dată pentru a se ridica la un nou nivel, extinzând baza de cunoștințe aplicată în diferite zone ale organizației.

Astfel, pentru ca procesul de actualizare a cunoștințelor să fie constant, este necesar să se creeze sisteme de management al cunoștințelor care funcționează constant, care să nu combine doar surse individuale de cunoștințe ale utilizatorilor individuali, ci și să extragă cunoștințe din surse externe de cunoștințe, baze de date statistice, și spațiul informativ INTERNET. Acest lucru necesită capacitatea de a conecta sistemul de management al cunoștințelor corporative la alte sisteme de management al cunoștințelor bazate pe abordări comune ale conceptualizării cunoștințelor.

Sistemele de management al cunoștințelor se caracterizează prin următoarele caracteristici:

Asistență inteligentă. Un sistem de management al cunoștințelor, spre deosebire de sistemele expert, nu înlocuiește un expert în procesul de rezolvare a problemelor, ci îl ajută prin furnizarea de informații relevante și reguli de luare a deciziilor într-o anumită situație. Totodată, în procesul de rezolvare a problemei, utilizatorul are în vedere diverse soluții prezentate de sistemul de management al cunoștințelor, modifică enunțul problemei sau modelează situația, alegând astfel soluțiile cele mai potrivite. Poate exista un alt mod de rezolvare a problemei, atunci când utilizatorul rezolvă problema în mod independent și evaluează rezultatul soluției folosind sistemul de management al cunoștințelor pentru corectitudine și eficiență, de exemplu, contactând colegi experți sau sisteme expert folosind sistemul de management al cunoștințelor .

Colectarea și organizarea sistematică a cunoștințelor din diverse surse. Integrarea multor surse eterogene de cunoștințe se realizează pe baza unui singur sistem de conceptualizare a cunoștințelor. Principala cerință pentru sursele de cunoștințe este prevenirea pierderii și creșterea disponibilității tuturor tipurilor de cunoștințe corporative prin furnizarea unui depozit de informații centralizat și bine structurat. Structurarea depozitului de informații presupune crearea și descrierea unui sistem unificat de cunoștințe bazat pe o taxonomie a conceptelor conceptuale, o bază de meta-cunoștințe sau ontologie, prin care puteți accesa diverse surse de cunoaștere.

Minimizarea designului bazei de cunoștințe ca umplere a schemei conceptuale. Nu toate sursele de cunoștințe pot fi cunoscute sau pot fi inconsecvente sau se pot schimba frecvent. Sistemul de management al cunoștințelor, pe de o parte, ar trebui să ofere metode de gestionare a unor astfel de situații și, pe de altă parte, să ofere o conexiune ușoară a noilor surse de cunoștințe așa cum apar. În același timp, schema conceptuală a sistemului de management al cunoștințelor în sine ar trebui modificată.

Adaptarea rapidă a sistemului de management al cunoștințelor la nevoile de informații în schimbare. Adaptarea sistemului de management al cunoștințelor se realizează pe baza feedback-ului utilizatorilor la sistem ca urmare a formulării de noi cerințe și secțiuni de analiză, precum și informarea despre lacune de cunoștințe, inexactități și întârzieri. În plus, baza de cazuri este plină cu indicații privind rezolvarea problemelor cu succes și nereușite de către utilizatori. Aceasta transformă cunoștințele individuale în cunoștințe de grup disponibile pentru alți utilizatori ai sistemului de management al cunoștințelor. Forma cunoștințelor colectate și distribuite devine generativă și reutilizabilă.

Din acest punct de vedere, este utilă acumularea unei baze de cunoștințe de precedente pentru rezolvarea problemelor, generalizarea situațiilor și erorilor tipice și diseminarea cunoștințelor generate.

Integrare cu mediul software existent. La sistemul de management al cunoștințelor sunt conectate o varietate de instrumente analitice, care permit extragerea informațiilor implicite conținute în sursele de cunoștințe folosind metode precum analiza statistică și rețelele neuronale, sistemele expert, modelarea matematică și de simulare. Aceste instrumente vă permit să detectați tipare în realitatea reflectată și să identificați cel mai rațional comportament în condițiile existente. Utilizatorul devine un cercetător experimental care nu numai că cere informații de interes pentru el, dar și propune și testează diverse ipoteze. În acest sens, este util să conectați instrumente software specializate.

Prezentarea activă a informațiilor relevante. Sistemul de management al cunoștințelor devine un partener competent în soluționarea cooperativă a problemelor, ținând cont de gama de nevoi de informații ale utilizatorului și formând cunoștințe pentru acesta, pe baza presupuselor sale interese. Această proprietate este eficientă în special în sistemele de management al relațiilor cu clienții (CRM).

Integrarea surselor eterogene de cunoștințe, caracterul interdisciplinar al utilizării acestora, necesitatea de a atrage surse externe de cunoștințe, schimbul de cunoștințe între utilizatori implică dezvoltarea arhitectura sistemului de management al cunoștințelor bazată pe un spațiu informațional comun sub forma unei memorie integrate, care poate fi reprezentat la trei niveluri de interacțiune:

Nivelul obiectului- stocarea surselor de cunoștințe adnotate cu ajutorul unui sistem special dezvoltat de categorii de surse de cunoștințe și indexarea acestora.

Nivel conceptual- definirea unui model conceptual al structurii cunoașterii (un sistem de categorii), comun tuturor surselor de cunoaștere, adică dezvoltarea unei ontologii.

Strat de aplicație- determinarea scopului și restricțiile privind soluționarea unei probleme intelectuale de către utilizator, adică stabilirea contextului global și local al acesteia. În acest caz, trebuie definit profilul de cunoștințe al utilizatorului.

Să luăm în considerare nivelurile enumerate de organizare a memoriei corporative mai detaliat. Când se descrie organizarea cunoștințelor la aceste niveluri, sunt date exemple de KMS operațional specific, descrise în .

Nivelul obiectului de memorie Enterprise

Posibilele surse de cunoștințe care sunt conectate la KMS sunt prezentate în Tabelul 1.2.

Tabelul 1.2

Surse de cunoaștere

Document fără titlu

Surse de cunoaștere	Metode de achizitie a cunostintelor	Exemple de cunoștințe
Oameni și grupuri	Documentare, Structurare, Conectare	Exemple de situații, Reguli, obiecte Profil de cunoștințe
Într-o formă implicită, prin conectarea directă a specialiștilor și experților la o rețea de calculatoare prin descrierea profilului lor de cunoștințe. Experiența cu cele mai bune practici este cunoscută, de exemplu, de la Huges Electronics, parte a General Motors, care menține o bază de date cu cele mai bune proiecte de renovare. Fiecare proiect este asociat cu o scurtă descriere și informații pentru a contacta persoanele responsabile. Baze de date statistice și depozite de informații sunt o sursă pentru extragerea cunoștințelor implicite folosind metode de data mining: construcția inductivă a arborilor de decizie, analiza de cluster și regresie și construcția de rețele neuronale. Depozitele de informații pot conține cantități uriașe de date. De exemplu, Chase Manhatten Bank are peste 560 GB de stocare, MasterCard OnLine are 1,2 TB. Instrumente specializate pot fi folosite pentru a colecta date statistice. De exemplu, pentru a extrage cunoștințe din informațiile financiare în sistemul EDGAR (Electronic Data Gathering and Retrival System), a fost dezvoltat sistemul EdgarScan, care funcționează în mediul Internet. Surse text de cunoaștere sunt conectate la KMS folosind tehnologia de filtrare a mesajelor text analizate în sursa de cunoștințe pe baza unei liste de subiecte care definesc ierarhia taxonomiei a termenilor dintr-un anumit domeniu. De regulă, filtrarea se realizează pe categorii și priorități de importanță. De exemplu, sistemul Odie (On demand Information Extractor) scanează aproximativ 1.000 de articole de știri de ultimă oră în fiecare seară pentru a extrage cunoștințe despre tendințele de management. Odie, conceput pentru recenzorii de știri din SUA și Europa, folosește recunoașterea expresiilor stilizate din articolele de știri de afaceri și cunoașterea regulilor de sintaxă pentru a recunoaște evenimentele de afaceri relevante. Diagrame grafice ale modelelor de referință sunt stocate în depozite speciale care descriu metainformații despre organizarea proceselor de afaceri. De exemplu, depozitul SAP R/3 conține aproximativ 100 de scenarii și modele de afaceri dovedite pentru diverse industrii. Cu ajutorul regulilor expertului, modelele de referință pot fi transformate în modele specifice de organizare a proceselor de afaceri ale întreprinderilor. Structura de cunoștințe la nivel conceptual a memoriei corporative La baza nivelului conceptual al structurii cunoașterii se află taxonomia conceptelor utilizate (ontologie), menită să identifice diferitele componente ale cunoașterii. Ontologia poate fi privită ca un sistem de rubricare a disciplinei, care integrează surse eterogene de cunoștințe. Pe de altă parte, ontologia este considerată un dicționar de tezaur partajat în KMS pentru a facilita comunicarea, formularea și interpretarea cererilor utilizatorilor. Nivelul conceptual al memoriei corporative oferă o interpretare semantică a interogărilor către KMS, care implementează un acces inteligent unificat la o varietate de surse de cunoștințe. Acest lucru are ca rezultat următoarele beneficii cheie: Acces KMS precis și eficient la sursele de cunoștințe relevante pentru contextul sarcinii (situație specifică). O mai bună înțelegere și interpretare de către utilizator a cunoștințelor dobândite în acest context cu posibilitatea unor apeluri suplimentare de referință la memoria corporativă. Modelarea informației, adică rafinarea iterativă a nevoilor de informații în procesul de rezolvare a unei probleme. Ca exemplu de utilizare a dicționarelor tezaurului, putem cita sistemul industrial de regăsire a informațiilor Retrieval Ware (Canbera), care permite utilizarea unui browser web obișnuit pentru a efectua căutarea text integral și atributiv în diverse surse de cunoștințe: arhive electronice de documente text, web-pecypcax, baze de date formatate, foi de calcul, imagini grafice, sonore și vizuale (în 250 de formate). Rețeaua semantică reflectată în dicționarul-tezaur pentru limba engleză include 400.000 de cuvinte și peste 1.600.000 de legături între ele. Dicționarul versiunii localizate a produsului software Russian Semantic Server conține în prezent aproximativ 42 de mii de cuvinte și expresii idiomatice. De asemenea, tehnologia de căutare semantică vă permite să utilizați mai multe dicționare în același timp. De exemplu, împreună cu dicționarul de bază, sistemul poate folosi un dicționar al industriei, un dicționar al organizației interne și un dicționar personal al utilizatorului, care poate fi dezvoltat după cum este necesar. Limitarea organizării tezaurului a cunoștințelor este asociată cu un accent restrâns pe rezolvarea doar a problemelor de căutare. Pentru a extinde gama de sarcini KMS legate de alegerea alternativelor în justificarea proiectelor, luarea deciziilor și instruire, este necesară o organizare mai complexă a cunoștințelor, care presupune definirea logicii rezolvării problemelor într-o formă declarativă sau crearea unei ontologii a sarcinilor. . Un bun exemplu al acestui tip de sistem este sistemul Ontolingua. Sistemul Ontolingua este conceput pentru a sprijini specificarea formală a sarcinilor utilizatorului pe baza unei biblioteci de descrieri formale ale fragmentelor de sarcini, modelelor și conceptelor, precum și pentru a menține biblioteca de fragmente în sine (Fig. 1.17). Otologiile pot fi utilizate nu numai în sistemele de management al cunoștințelor, ci și în sistemele tranzacționale, cum ar fi sistemele de comerț electronic, sistemele logistice, întreprinderile virtuale, care necesită tehnologie de schimb de cunoștințe multi-agent. Strat de aplicație Sarcinile intelectuale care sunt rezolvate pe baza CPS se caracterizează printr-o formalizare slabă, ceea ce implică neclaritatea stabilirii obiectivelor pentru rezolvarea problemei și a descrierii condițiilor pentru rezolvarea problemei. În plus, nivelul de cunoștințe și sistemul de criterii de evaluare a unei soluții pot diferi în funcție de utilizatori. De obicei, o soluție tipică la o problemă intelectuală se reduce la următorii pași: Formularea enunțului problemei. Selectarea surselor de cunoștințe relevante pentru sarcină. Înțelegerea materialului selectat (instruire, consultație). Rezolvarea problemelor (dezvoltare, configurare soluție). Verificarea admisibilității soluției problemei (evaluarea soluției problemei, consultarea experților, sisteme expert). Luarea deciziilor și monitorizarea implementării acestuia. Stocarea rezultatelor rezolvării unei probleme în memoria corporativă. La fiecare pas de rezolvare a unei probleme intelectuale se poate folosi CPS-ul, a cărui activitate se reduce la o serie iterativă de căutări în memoria corporativă, ceea ce asigură acuratețea atingerii scopului fiecărei etape. De exemplu, o întreprindere rezolvă problema alegerii unei strategii de creștere a eficienței producției, care aparține clasei sarcinilor slab formalizate. Pentru început, este necesar să se solicite informații despre posibilele obiective, criterii și metode de îmbunătățire a eficienței producției. Apoi, descrie-ți afacerea. Pe baza sarcinii formulate, sistemul va selecta sursele de cunoștințe. Studiul materialului poate provoca un dialog clarificator sau explicativ. Decizia adoptată poate fi transmisă specialiștilor selectați cu ajutorul CMS pentru examinare. În procesul de implementare a soluției, informațiile despre pașii individuali sunt introduse în baza de cunoștințe pentru a ajusta strategia în funcție de abaterile identificate și pentru a fi utilizate în rezolvarea unor probleme similare în viitor. La fiecare etapă de rezolvare a unei probleme intelectuale, cerințele de intrare și ieșire, metodele și mijloacele utilizate, precum și resursele utilizate (interpreți specifici, constrângeri de timp, materiale și costuri) sunt determinate și arată ca completarea unui formular de ecran, în care sunt fixate următoarele: Scopul general al activității. Informații de context cunoscute din starea procesului sau setate manual la acest pas. Formularul de ecran, de regulă, este completat cu ajutorul listelor de cuvinte cheie asociate cu titlurile ontologiei. Astfel, formularul de ecran al cererii reflectă contextul local actual al căutării, care determină caracteristicile pasului următor în rezolvarea problemei. Accesul unic la cunoștințe în KMS modern se reduce în principal fie la căutarea cunoștințelor relevante de către utilizatorii finali, fie la diseminarea cunoștințelor între utilizatori de către sistemul de management al cunoștințelor. Astfel, atât oamenii, cât și KMS pot acționa ca inițiatori ai proceselor de management al cunoștințelor. Pe de altă parte, purtătorii de cunoștințe abordați de inițiatorii procesului pot fi, de asemenea, atât oameni, cât și KMS. Opțiunile posibile pentru interacțiunea dintre oameni și KMS sunt prezentate în Tabelul 1.3. Tabelul 1.3 Accesul la surse de cunoștințe Document fără titlu Conectarea oamenilor din CPS se desfășoară folosind tehnologia multi-agent bazată pe un depozit de abilități umane. Fiecare participant la procesul de management al cunoștințelor dintr-o rețea de calculatoare poate avea un computer geamăn - un agent inteligent care intră în negocieri cu agenți similari din rețea pentru a rezolva o problemă comună. Un exemplu de astfel de sistem multi-agen este sistemul ContactFinder, care caută experți în rețea folosind tehnologia buletinului, care este disponibilă pentru mesageria între agenți. În același timp, rolul ontologiei este mare, ca dicționar de comunicare între agenți și descriere a profilului cunoștințelor acestora. Conectarea oamenilor și a KMS pentru selectarea cunoștințelor relevante se realizează cu ajutorul motoarelor de căutare în depozitele de cunoștințe („pool-stores”). Lipsa de inteligență a motoarelor de căutare existente duce la irelevanța cunoștințelor selectate. În prezent, sunt dezvoltate motoare de căutare bazate pe ontologie, de exemplu sistemul SHOE, OntoBroker etc. Instrumente speciale, de exemplu, Perspecta și InXight, pot fi folosite ca instrumente grafice pentru vizualizarea unei hărți de cunoștințe atunci când navighează pe căile de acces. Conectarea BMS și a oamenilor se desfășoară conform tehnologiei „push” (tehnologia push), conform căreia KMS studiază nevoile de informații ale utilizatorilor și, în conformitate cu acestea, distribuie sau furnizează în mod independent cunoștințe consumatorilor. De exemplu, InfoFinder învață interesele utilizatorilor prin seturile de mesaje generate sau documente solicitate. În plus, InfoFinder utilizează euristica pentru a colecta informații suplimentare și mai precise despre interogările utilizatorilor, permițând InfoFinder să găsească documente anticipând interogările utilizatorilor. Conectarea BMS și BMSîn procesul de implementare a unor solicitări mai complexe, atunci când un CMS nu poate face față sarcinii și apelează la un alt CMS pentru ajutor, de regulă, se realizează folosind tehnologia multi-agent. În plus, ghidurile dedicate de cunoștințe pot fi utilizate pentru a facilita navigarea pe căile de selecție a cunoștințelor într-un spațiu de cunoștințe integrat, cum ar fi „Ghidurile Michelin” CoopersLibrand, pentru a ajuta la înțelegerea conținutului și locația surselor de cunoștințe. Andersen Consulting menține un depozit central de hărți de cunoștințe care leagă diverse surse de cunoștințe. Ce să-ți amintești Sistem de informații inteligent (IIS) este un IS bazat pe conceptul de utilizare a unei baze de cunoștințe pentru a genera algoritmi de rezolvare a problemelor economice de diferite clase, în funcție de nevoile specifice de informații ale utilizatorilor. Cele mai importante caracteristici ale clasificării IIS: abilități dezvoltate de comunicare, complexitate (formalizabilitate slabă a algoritmului), capacitate de autoînvățare, adaptabilitate. Principalele subclase ale IIS: baze de date inteligente, incl. cu interfețe folosind limbaj natural, hipertext și multimedia, grafică cognitivă; sisteme expert statice si dinamice; sisteme de autoînvățare bazate pe principiile inferenței inductive, sisteme neuronale, căutarea precedente, organizarea depozitelor de informații; sisteme informatice adaptative bazate pe utilizarea tehnologiilor CASE și/sau tehnologiilor componente, sisteme de management al cunoștințelor. Sistem de interfață inteligentă- acesta este un IIS conceput pentru a căuta informații implicite într-o bază de date sau text pentru interogări arbitrare, de obicei compilate într-un limbaj natural limitat. Sistem expert (ES)- acesta este un IIS conceput pentru a rezolva sarcini slab formalizate bazate pe experiența experților în problematica acumulată în baza de cunoștințe. Participanții la dezvoltarea și funcționarea ES: experți, ingineri de cunoștințe, utilizatori. Un expert este un specialist ale cărui cunoștințe sunt stocate în baza de cunoștințe. Inginer de cunoștințe- un specialist care se ocupă de extragerea cunoștințelor și formalizarea acesteia în baza de cunoștințe. Utilizatorul este un specialist ale cărui abilități intelectuale sunt extinse prin utilizarea ES în practică. Principalele componente ale arhitecturii ES: bază de cunoștințe, mecanisme de inferență, explicații, achiziție de cunoștințe, interfață inteligentă. Baza de cunoștințe este componenta centrală a SE, care determină valoarea SE și cu care sunt asociate principalele costuri de dezvoltare. Baza de cunoștințe este un depozit de unități de cunoștințe care descriu atributele și acțiunile asociate cu obiectele zonei problematice, precum și posibilele incertitudini. O unitate de cunoaștere este o unitate structurală elementară (descrierea unui obiect, a unei acțiuni), care are un sens complet. Regulile și/sau obiectele sunt de obicei folosite ca unități de cunoaștere. Incertitudinea cunoașterii- aceasta este fie incompletitudine, fie lipsă de încredere, fie ambiguitate, fie o evaluare calitativă (în loc de cantitativă) a unei unități de cunoaștere. Un mecanism de inferență este o procedură generalizată de căutare a unei soluții la o problemă, care, pe baza bazei de cunoștințe și în conformitate cu nevoia de informare a utilizatorului, construiește un lanț de raționament (unități de cunoaștere conectate logic) care conduc la un anumit rezultat. inferență deductivă(de la general la particular) - derivarea unor enunțuri particulare prin înlocuirea altor enunțuri particulare bine-cunoscute în enunțuri generale. Distingeți între direct (de la date la țintă) și invers (de la țintă la date) lanțuri de raționament (argumentare). ieșire inductivă(de la particular la general) - concluzie (generalizare) bazată pe un set de enunțuri particulare de enunțuri generale (din exemple de practică reală a regulilor). Inferența abductivă(de la particular la particular) - derivarea unor afirmații particulare pe baza căutării altor enunțuri similare (precedente). Mecanismul de achiziție a cunoștințelor- aceasta este o procedură de acumulare a cunoștințelor într-o bază de cunoștințe, inclusiv de intrare, controlul completității și consecvenței unităților de cunoștințe și, eventual, derivarea automată a unor noi unități de cunoștințe din informațiile de intrare. Mecanismul explicației este o procedură care justifică rezultatul obţinut prin mecanismul de inferenţă. Interfață inteligentă este o procedură care interpretează cererea utilizatorului către baza de cunoștințe și generează un răspuns într-o formă convenabilă pentru acesta. Scopul sistemului expert: consilierea și formarea utilizatorilor neexperimentați, asistarea experților în rezolvarea problemelor, consilierea experților în probleme din domenii conexe de cunoaștere (integrarea surselor de cunoștințe). Sistem expert static- acesta este un ES care rezolvă probleme în condiții de date și cunoștințe inițiale care nu se schimbă în timp. Sistem Dynamic Expert- acesta este un ES care rezolva probleme in conditiile schimbarii in timp a datelor initiale si a cunostintelor. Sistem expert analitic- acesta este un ES care evaluează opțiuni pentru soluții (testarea ipotezelor). Sistem expert sintetic- acesta este un ES care generează opțiuni de decizie (formarea de ipoteze). Clase de sarcini de rezolvat într-un sistem expert: interpretare, diagnosticare, prognoza, proiectare, planificare, monitorizare, corectare, management. Sistem de autoînvățare este un IIS care generează automat unități de cunoștințe bazate pe exemple de practică reală. Sistem cu iesire inductiva este un IIS cu auto-învățare, care construiește arbori de decizie bazat pe învățarea din exemple de practică reală. O rețea neuronală este un IIS cu auto-învățare, care, pe baza învățării din exemple de practică reală, construiește o rețea asociativă de concepte (neuroni) pentru căutarea paralelă a soluțiilor pe ea. Sistem bazat pe caz este un IIS cu auto-învățare care stochează precedentele reale de decizie (exemple) ca unități de cunoaștere și permite, la cerere, selectarea și adaptarea celor mai asemănătoare precedente. Exploatarea datelor- acesta este un set de metode de extragere automată a cunoștințelor din depozitele de informații special organizate (Data Warehouse), care includ metode statistice, inferență inductive, rețele neuronale, algoritmi genetici. Sistem de informare adaptiv- acesta este un IIS care își schimbă structura în conformitate cu o schimbare a modelului zonei cu probleme. Model de domeniu cu probleme- reflectarea structurii obiectelor, funcțiilor, proceselor, regulilor asociate cu funcționarea zonei problemei. Un depozit este un depozit de meta-cunoștințe despre structura cunoștințelor faptice și operaționale sau un model de domeniu al problemei. Tehnologia Casei este o tehnologie care vă permite să generați un sistem informațional bazat pe un model al unei zone cu probleme stocate într-un depozit. Tehnologia componentelor- o tehnologie care vă permite să configurați un sistem informațional din componente standard gata făcute pe baza modelului zonei cu probleme stocate în depozit. Sistemul de management al cunoștințelor (KMS)- un set interconectat de proceduri organizaționale, oameni și tehnologii informaționale, care asigură colectarea, acumularea, organizarea, diseminarea și utilizarea cunoștințelor pentru rezolvarea problemelor de calitate a serviciilor informaționale (asigurând) implementarea proceselor de afaceri și interacțiunea interactivă a specialiștilor; . Memorie Enterprise- un depozit de surse de cunoștințe și meta-descrieri ale acestora pentru utilizare colectivă în organizație. Surse de cunoștințe KMS- experiența specialiștilor, prezentată sub formă de precedente, baze de cunoștințe structurate ale sistemelor expert, descrieri ale profilurilor de cunoștințe; surse documentare de cunoștințe în interiorul și în afara organizației; baze de date și stocări de date formatate; modele de referinţă pentru organizarea proceselor de afaceri. Ontologia este o descriere conceptuală a structurii cunoștințelor pentru sursele de cunoștințe formalizate și neformalizate. Aplicații KMS - căutarea și utilizarea cunoștințelor pentru rezolvarea problemelor intelectuale de justificare a deciziilor, proiectare, inovații; educaţie; schimbul de cunoștințe în procesul de interacțiune între specialiști; diseminarea cunoștințelor pentru familiarizare în plan potențial.

Lectura

Subiect: „Tehnologii și sisteme intelectuale”

Plan:

1. Conceptul de inteligență artificială. Informații inteligente

tehnologie.

2. Clasificarea sistemelor informaţionale inteligente.

3. Sistemele expert ca tip principal de sisteme inteligente.

4. Rețele neuronale artificiale.

Utilizarea tehnologiei informației (IT) în diverse domenii ale activității umane, creșterea volumelor de informații și nevoia de a răspunde rapid în orice situație au impus căutarea unor modalități adecvate de rezolvare a problemelor emergente. Cea mai eficientă dintre ele este modalitatea de intelectualizare a tehnologiilor informaționale.

Întrebarea numărul 1 Conceptul de inteligență artificială.

Tehnologia Informației Inteligente

Noua tehnologie a informației se bazează în primul rând pe tehnologiile intelectuale și pe teoria inteligenței artificiale.

Termenul de intelect provine din latinescul intellectus – care înseamnă minte, rațiune, rațiune; capacitatea de gândire umană.

Sub inteligență artificială să înțeleagă capacitatea sistemelor informatice de a acționa inteligent. Cel mai adesea, aceasta se referă la abilitățile asociate cu gândirea umană.

Inteligență artificială- o secțiune de informatică legată de dezvoltarea de programe inteligente pentru calculatoare.

Inteligența artificială (IA) este o direcție științifică care a apărut la intersecția dintre cibernetică, lingvistică, psihologie și programare.

Sub tehnologia inteligentă a informației să înțeleagă astfel de tehnologii informaționale, care oferă următoarele capacități:

• prezența unor baze de cunoștințe care reflectă experiența anumitor persoane, grupuri, societăți, umanitate în ansamblu, în rezolvarea unor probleme precum: luarea deciziilor, proiectarea, extragerea sensului, explicația, instruirea;
• disponibilitatea modelelor de gândire bazate pe baze de cunoștințe: reguli și concluzii logice; argumentare și raționament; recunoașterea și clasificarea situațiilor; generalizări și înțelegere etc.;
• capacitatea de a forma decizii destul de clare bazate pe date neclare, incomplete, subdeterminate;
• capacitatea de a explica concluziile și deciziile, adică prezența unui mecanism de explicație;
• capacitatea de a învăța, de a se reeduca și, în consecință, de a se dezvolta.

Istoria tehnologiei informaționale inteligente

Să ne întoarcem la istoria dezvoltării IIT, care datează din anii 60 ai secolului trecut și include mai multe perioade principale.

• anii 60-70. Sunt ani de conștientizare a posibilităților inteligenței artificiale și formarea unui ordin care să susțină procesele decizionale și de management.
• anii 70-80.În această etapă, există o conștientizare a importanței cunoașterii pentru formarea deciziilor adecvate; Apar SISTEME EXPERT.
• din anii 80 Până acum. Există modele integrate (hibride) de reprezentare a cunoștințelor care combină următoarele tipuri de inteligență: de căutare, computațională, logică și figurativă. Crearea rețelelor neuronale

O caracteristică a tehnologiilor informaționale inteligente (IIT) este „universalitatea” acestora. Practic nu au restricții privind aplicațiile în domenii precum management, design, traducere automată, diagnosticare, recunoaștere a modelelor, sinteza vorbirii etc.

IIT este, de asemenea, utilizat pe scară largă pentru rezolvarea de probleme complexe distribuite, proiectarea de produse în colaborare, construirea de întreprinderi virtuale, modelarea sistemelor mari de producție și comerțul electronic, dezvoltarea electronică a sistemelor informatice complexe, gestionarea cunoștințelor și a sistemelor informaționale etc. O altă aplicație eficientă este regăsirea informațiilor. în Internet și alte rețele globale, structurarea și livrarea acestuia către client.

Întrebarea numărul 2 Clasificarea sistemelor informaționale inteligente

IIS se caracterizează prin următoarele caracteristici:

Abilitati de comunicare dezvoltate (modul in care utilizatorul final interactioneaza cu sistemul);

Capacitatea de a rezolva probleme complexe, slab formalizate, care necesită construirea unui algoritm de soluție original în funcție de situația specifică, caracterizat prin incertitudine și dinamism al datelor și cunoștințelor inițiale;

Capacitatea de auto-învățare, de ex. capacitatea sistemului de a extrage automat cunoștințe din experiența acumulată și de a le aplica pentru a rezolva probleme;

Adaptabilitatea este capacitatea sistemului de a se dezvolta în conformitate cu schimbările obiective din domeniul cunoașterii.

Fiecare dintre semnele enumerate corespunde în mod condiționat propriei sale clase de IIS.

1. Sisteme cu o interfață inteligentă (abilități de comunicare):

- Baze de date inteligente. Ele permit, spre deosebire de bazele de date tradiționale, să ofere o selecție a informațiilor necesare care nu sunt prezente în mod explicit, dar derivate din totalitatea datelor stocate.

- Interfață în limbaj natural . Este utilizat pentru accesul la baze de date inteligente, căutarea contextuală a informațiilor textuale documentare, introducerea vocală a comenzilor în sistemele de control, traducerea automată din limbi străine.

- Sisteme hipertext. Folosit pentru a implementa căutarea de cuvinte cheie în baze de date cu informații textuale.

- Sisteme de ajutor context . Ele aparțin clasei sistemelor de diseminare a cunoștințelor. Astfel de sisteme, de regulă, sunt anexe la documentație. În aceste sisteme, utilizatorul descrie problema, iar sistemul, pe baza unui dialog suplimentar, o concretizează și caută recomandări cu privire la această problemă.

- Sisteme grafice cognitive . Acestea sunt axate pe comunicarea cu utilizatorul IIS prin imagini grafice care sunt generate în conformitate cu modificarea parametrilor proceselor simulate sau observate. Utilizarea graficii cognitive este deosebit de importantă în sistemele de monitorizare și management operațional, în sistemele de predare și formare, în sistemele operaționale de luare a deciziilor în timp real.

2. Sisteme experte(rezolvarea unor probleme complexe slab formalizate). Acestea sunt folosite pentru a rezolva probleme neformalizate, care includ sarcini care au una dintre următoarele caracteristici:

Sarcinile nu pot fi reprezentate în formă numerică;

Datele și cunoștințele inițiale despre domeniul subiectului sunt ambigue, inexacte, inconsecvente;

Obiectivele nu pot fi exprimate în termenii unei funcții obiectiv bine definite;

Nu există o soluție algoritmică unică a problemei;

Principala diferență dintre ES și SII față de sistemele de procesare a datelor este că acestea folosesc mai degrabă o modalitate simbolică decât numerică de reprezentare a datelor, iar inferența logică și căutarea euristică a soluțiilor sunt utilizate ca metode de procesare a informațiilor.