Интеллектуальные информационные системы

     По коммуникативным способностям (видам интеллектуального интерфейса) предлагается различать: интеллектуальные базы данных, естественно-языковый интерфейс, гипертекстовые системы, контекстные системы помощи, системы когнитивной графики.

     По  способности решать сложные слабо  формализуемые задачи предлагается различать системы: классифицирующие, доопределяющие, трансформирующие, мультиагентные.

     По  способности к самообучению предлагается различать: настраиваемые (неспособные  к самообучению) системы, индуктивные системы, нейронные сети, системы на основе прецедентов, информационные хранилища. 

     Системы с интеллектуальным интерфейсом

     От  обычных баз данных интеллектуальные базы данных отличаются возможностью получать по запросу информацию, которая в явном виде не хранится в базе данных, но может быть получена (выведена) из хранимой. В таких запросах требуется осуществить поиск по условию, которое должно быть доопределено в ходе решения задачи. Выполняя это, интеллектуальная информационная система без помощи пользователя по структуре базы данных сама находит и строит путь доступа к запрошенным данным. Формулирование запроса осуществляется в диалоге с пользователем. При этом последовательность шагов диалога выбирается наиболее удобной для пользователя.

     Наличие естественно-языкового интерфейса дает возможность пользователю самому выбирать наиболее удобную для него форму диалога. Естественно-языковый интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Для этого решаются задачи: морфологического анализа (распознавание и проверка правильности написания слов); синтаксического анализа (определение структуры входных сообщений и проверка их соответствия грамматическим правилам внутреннего представления знаний); семантического анализа (установление смысловой правильности синтаксических конструкций); синтеза  высказываний  на  естественном языке (преобразование внутреннего представления информации в естественно-языковое). Естественно-языковый интерфейс дает возможность конечному пользователю получать доступ к интеллектуальным базам данных, осуществлять контекстный поиск текстовой информации, осуществлять голосовой ввод команд в системах управления.

     Гипертекстовые  системы предназначены  для  реализации  поиска  по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются возможностью более сложной организации ключевых слов, которая отражает различные смысловые отношения терминов. Таким образом, механизм поиска работает прежде всего с  базой  знаний  ключевых  слов и лишь после этого - непосредственно с текстом. Этот принцип распространяется и на поиск мультимедийной информации.

     Системы контекстной помощи можно рассматривать, как частный случай интеллектуальных гипертекстовых и естественно-языковых систем. В системах контекстной помощи конечному пользователю достаточно описать проблему (ситуацию), после чего система в ходе дополнительного диалога конкретизирует ее и сама выполняет поиск относящихся к ситуации рекомендаций. Такие системы относятся к классу систем распространения знаний (Knowledge Publishing) и создаются как приложение к системам документации.

     Системы когнитивной графики обеспечивают интерфейс пользователя с ИИС посредством графических образов, которые генерируются в  соответствии с происходящими событиями. Такие системы применяются для мониторинга и управления процессами в реальном масштабе времени.  Графические  образы наглядно и целостно описывают множество параметров наблюдаемой ситуации (например, состояние сложного управляемого объекта отображается в виде человеческого лица, на котором каждая черта отвечает за какой-либо параметр, а общее выражение лица дает интегрированную характеристику ситуации). Системы когнитивной графики широко используются также в обучающих и тренажерных системах, построенных по принципу виртуальной реальности[3].   

     Самообучающиеся системы

     В основе  работы самообучающихся систем лежат методы обучения на примерах конкретных ситуаций путем их автоматической классификации. Примеры конкретных ситуаций, накопленные за некоторый достаточный период, составляют обучающую выборку. Каждый из примеров описывается набором признаков классификации. Способы обучения делятся на два типа: “с учителем”, когда каждый пример явно относится к некоторому классу ситуаций; “без учителя”, когда система сама выделяет классы ситуаций по степени близости значений признаков классификации.

     В результате обучения система автоматически  строит обобщенные правила (или функции) определения принадлежности ситуаций классам, которыми она затем пользуется при анализе новых возникающих ситуаций. В результате автоматически формируется база знаний для решения задач классификации и прогнозирования. Эта база знаний периодически автоматически корректируется по мере накопления опыта.

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

• возможна неполнота или избыточность (зашумленность) обучающей выборки и, следовательно, недостаточное соответствие базы знаний реальному положению вещей;
• возникают проблемы с объяснением пользователям получаемых результатов из-за слабого соответствия автоматически установленных правил правилам человеческого мышления;
• ограничения по размерности признакового пространства вынуждают ограничиваться либо весьма узкой проблемной областью, либо неглубоким ее описанием.        

     Индуктивные системы. Обобщение примеров ситуаций по принципу от частного к общему сводится к выявлению подмножеств примеров, относящихся к одним и тем же подклассам, и определению для них значимых признаков. Процесс классификации примеров осуществляется следующим образом:

     1.  выбирается признак классификации из множества заданных (либо последовательно, либо по какому-либо правилу (например, по максимуму числа получаемых подмножеств);

     2.  по значениям выбранного признака множество примеров разбивается на подмножества;

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

     4.  если в каком-то подмножестве все примеры имеют одно и то же значение классообразующего признака, то это подмножество примеров принадлежит одному подклассу, для него процесс классификации заканчивается и остальные признаки классификации не рассматриваются;

     5.  для тех же подмножеств, где есть примеры с несовпадающими значениями классообразующего признака, процесс классификации продолжается, начиная с пункта 1 (каждое такое подмножество примеров становится классифицируемым множеством).

     Анализ  ситуации в рабочем режиме сводится к выбору ветви дерева, полностью  определяющей эту ситуацию.

     Нейронные сети. Нейронные сети используются для решения задач классификации и прогнозирования путем их обучения распознаванию или предсказанию ситуаций по наборам значений признаков.

     Искусственный нейрон - математическая функция, отображающая зависимость значения выходного признака Y от взвешенной суммы значений входных признаков Xi, где вес Wi входного признака Xi определяет степень его влияния на выходной признак. Функциональная зависимость может быть линейной, но, как правило, используется логистическая (сигмоидальная) функция, которая позволяет вычленять более сложные пространства значений выходных признаков.

     Путем связывания выходов одних нейронов со входами других строится нейронная  сеть. Обучение нейронной сети заключается  в настройке весов связей между нейронами. Упрощенно, алгоритмы обучения нейронной сети сводятся к назначению весового коэффициента связи двух нейронов в зависимости от числа примеров, подтверждающих эту связь. Наиболее распространенным способом обучения нейронной сети является алгоритм обратного распространения ошибки, обеспечивающий при обучении минимизацию квадрата ошибки по всем примерам.

     Достоинство обучаемых нейронных сетей перед  системами индуктивного вывода заключается  в их способности решать не только классификационные, но и прогностические задачи. Использование в нейронах нелинейной функциональной зависимости выходных значений от входных позволяет строить более точные классификации. Сам процесс решения задач, благодаря применению матричных преобразований, проводится очень быстро. Фактически имитируется процесс параллельного прохода по нейронной сети, в отличие от последовательного в индуктивных системах. Нейронные сети могут быть реализованы и аппаратно в виде нейрокомпьютеров с ассоциативной памятью.

     В последнее время нейронные сети получили стремительное развитие и очень активно используются в финансовой области.

     Системы, основанные на прецедентах. В этих системах база знаний содержит описания не обобщенных ситуаций, а собственно сами ситуации (прецеденты). В этом случае поиск решения проблемы сводится к поиску по аналогии, включающий:

     1.  получение подробной информации о текущей проблеме;

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

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

     4.  осуществление (при необходимости) адаптации выбранного прецедента к текущей проблеме;

     5.  проверка корректности каждого полученного решения;

     6.  занесение детальной информации о новом прецеденте (о проблеме и полученном решении) в базу знаний. 

     Так же, как и для индуктивных систем, прецеденты описываются множеством признаков, по которым строятся  индексы  быстрого поиска.  Но, в отличие от индуктивных систем, допускается нечеткий поиск с  получением множества допустимых альтернатив.

     Далее наиболее подходящие решения адаптируются к  реальным ситуациям. Обучение системы сводится к запоминанию каждой новой обработанной ситуации и принятых решений в  базе прецедентов. 

     Системы, основанные на прецедентах, применяются как системы распространения знаний с расширенными возможностями или как системы контекстной помощи. В качестве примера инструментального средства поддержки баз знаний прецедентов, распространяемого в России, можно назвать систему CBR-Express (Inference, дистрибьютор - фирма Метатехнология).

     Информационные  хранилища. Информационное хранилище - это хранилище извлеченной из оперативной базы данных значимой информации, предназначенное для оперативного анализа данных (реализации OLAP - технологии). Для извлечения значимой информации из баз данных используются специальные методы. Разработкой информационных хранилищ в настоящее время занимаются многие компьютерные фирмы: IBM (Intelligent Miner), Silicon Graphics (MineSet), Intersolv (DataDirect, SmartData), Oracle (Express), SAS Institute (SAS/Assist) и др.

     Информационные  хранилища также используются в таможенных органах и являются одной из самых важных компонентов центрального банка данных ФТС России. Фактически это новый тип системы управления базами данных, предназначенной для хранения и анализа большого числа разнородных данных и документов. Они все шире используются в качестве информационной базы в аналитических системах, в первую очередь в системах поддержки принятия решений (СППР). Последнее обстоятельство являлось одной из причин выбора концепции информационных хранилищ, так как более активное использование информационных ресурсов ФТС России для оптимизации государственного управления – важнейшее направление развития ЕАИС[1]. 
 
 
 
 
 
 
 
 
 
 
 
 

     Список  использованной литературы

1. Малышенко, Ю.В. Информационные таможенные технологии: учебник. Часть 1/ Ю.В. Малышенко, В.В. Федоров. М.: РИО РТА, 2007. – 352с.;
2. Интернет-сайт «Википедия. Свободная энциклопедия.» [Электронный ресурс]// Интеллектуальная система. - Режим доступа: http://ru.wikipedia.org;
3. Интернет-сайт «Единое окно» [Электронный ресурс]// Интеллектуальная информационная система. - Режим доступа: http://window.edu.ru.