Интелектуальные системы

• консультанта для неопытных или непрофессиональных пользователей;
• ассистента эксперта-человека в процессах анализа вариантов решений;
• партнера эксперта в процессе решения задач, требующих привлечения знаний из разных предметных областей.

Для классификации ЭС используются следующие признаки:

• способ формирования решения;
• способ учета временного признака;
• вид используемых данных и знаний;
• число используемых источников знаний.

По способу формирования решения ЭС можно разделить на анализирующие и синтезирующие. В системах первого типа осуществляется выбор решения из множества известных  решений на основе анализа знаний, в системах второго типа решение  синтезируется из отдельных фрагментов знаний.

В зависимости от способа  учета временного признака ЭС делят  на статические и динамические. Статические  ЭС предназначены для решения  задач с неизменяемыми в процессе решения данными и знаниями, а  динамические ЭС допускают такие  изменения.

По видам используемых данных и знаний различают ЭС с  детерминированными и неопределенными  знаниями. Под неопределенностью  знаний и данных понимаются их неполнота, ненадежность, нечеткость.

ЭС могут создаваться  с использованием одного или нескольких источников знаний.

В соответствии с перечисленными признаками можно выделить четыре основных класса ЭС (см. рис.1): классифицирующие, доопределяющие, трансформирующие и мультиагентные.

Рис. 1 – Основные классы ЭС

Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в  таких системах является дедуктивный  логический вывод.

Доопределяющие ЭС используются для решения задач с не полностью  определенными данными и знаниями. В таких ЭС возникают задачи интерпретации  нечетких знаний и выбора аль-тернативных  направлений поиска в пространстве возможных решений. В качестве методов  обработки неопределенных знаний могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика.

Трансформирующие ЭС относятся  к синтезирующим динамическим экспертным системам, в которых предполагается повторяющееся преобразование знаний в процессе решения задач. В

ЭС данного класса используются различные способы обработки  знаний:

• генерация и проверка гипотез;
• логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определенного класса, которые впоследствии адаптируются к конкретным условиям изменяющихся ситуаций);
• использование метазнаний (более общих закономерностей) для устранения неопределенностей в ситуациях.

Мультиагентные системы - это динамические ЭС, основанные на интеграции нескольких разнородных  источников знаний. Эти источники  обмениваются между собой получаемыми  резуль-татами в ходе решения задач. Системы данного класса имеют  следующие возможности:

• реализация альтернативных рассуждений на основе использования различных источников знаний и механизма устранения противоречий;
• распределенное решение проблем, декомпозируемых на параллельно решаемые подзадачи с самостоятельными источниками знаний;
• применение различных стратегий вывода заключений в зависимости от типа решаемой проблемы;
• обработка больших массивов информации из баз данных;
• использование математических моделей и внешних процедур для имитации развития ситуаций.

1.4.  САМООБУЧАЮЩИЕСЯ СИСТЕМЫ

Самообучающиеся интеллектуальные системы основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую  выборку, которая формируется в  течение определенного исторического  периода. Элементы обучающей выборки  описываются множеством классификационных  признаков.

Стратегия "обучения с  учителем" предполагает задание  специалистом для каждого примера  значений признаков, показывающих его  принадлежность к определенному  классу ситуаций. При обучении "без  учителя" система должна самостоятельно выделять классы ситуаций по степени  близости значений классификационных  признаков.

В процессе обучения проводится автоматическое построение обобщающих правил или функций, описывающих  принадлежность ситуаций к классам, которыми система впоследствии будет  пользоваться при интерпретации  незнакомых ситуаций. Из обобщающих правил, в свою очередь, автоматически формируется  база знаний, которая периодически корректируется по мере накоп-ления  информации об анализируемых ситуациях.

Построенные в соответствии с этими принципами самообучающиеся  системы имеют следующие недостатки:

• относительно низкую адекватность баз знаний возникающим реальным проблемам из-за неполноты и/или зашумленности обучающей выборки;
• низкую степень объяснимости полученных результатов;
• поверхностное описание проблемной области и узкую направленность применения из-за ограничений в размерности признакового пространства.

Индуктивные системы позволяют  обобщать примеры на основе принципа индукции "от частного к общему". Процедура обобщения сводится к  классификации примеров по значимым признакам. Алгоритм классификации  примеров включает следующие основные шаги.

1. Выбор классификационного признака из множества заданных.
2. Разбиение множества примеров на подмножества по значению выбранного признака.
3. Проверка принадлежности каждого подмножества примеров одному из классов.
4. Проверка окончания процесса классификации. Если какое-то подмножество примеров принадлежит одному подклассу, т.е. у всех примеров этого подмножества совпадает значение классификационного признака, то процесс классификации заканчивается.
5. Для подмножеств примеров с несовпадающими значениями классификационных признаков процесс распознавания продолжается, начиная с первого шага. При этом каждое подмножество примеров становится классифицируемым множеством.

Нейронные сети представляют собой классический пример технологии, основанной на примерах. Нейронные  сети - обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, "узнавая" впоследствии черты встреченных  образцов и ситуаций. Благодаря этой способности нейронные сети используются при решении задач обработки  сигналов и изображений, распознавания  образов, а также для прогнозирования.

Нейронная сеть - это кибернетическая  модель нервной системы, которая  представляет собой совокупность большого числа сравнительно простых элементов - нейронов, топология соединения которых  зависит от типа сети. Чтобы создать  нейронную сеть для решения какой-либо конкретной задачи, следует выбрать  способ соединения нейронов друг с  другом и подобрать значения параметров межнейронных соединений.

В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты). Поиск решения осуществляется на основе аналогий и включает следующие  этапы:

• получение информации о текущей проблеме;
• сопоставление полученной информации со значениями признаков прецедентов из базы знаний;
• выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;
• адаптация выбранного прецедента к текущей проблеме;
• проверка корректности каждого полученного решения;
• занесение детальной информации о полученном решении в БЗ.

Прецеденты описываются  множеством признаков, по которым строятся индексы быстрого поиска. Однако в  системах, основанных на прецедентах, в отличие от индуктивных систем до-пускается нечеткий поиск с  получением множества допустимых альтернатив, каждая из которых оценивается некоторым  коэффициентом уверенности. Наиболее эффективные решения адап-тируются к реальным ситуациям с помощью  специальных алгоритмов.

Системы, основанные на прецедентах, применяются для распространения  знаний и в системах контекстной  помощи.

Информационные хранилища  отличаются от интеллектуальных баз  данных, тем, что представляют собой  хранилища значимой информации, регулярно  извлекаемой из оперативных баз  данных. Хранилище данных - это предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собрание данных, применяемых  для поддержки процессов принятия управленческих решений. Предметная ориентация означает, что данные объединены в  категории и хранятся в соответствии с теми областями, которые они  описывают, а не с приложениями, которые  их используют. В хранилище данные интегрируются в целях удовлетворения требований предприятия в целом, а не отдельной функции бизнеса. Привязанность данных ко времени  выражает их "историчность", т.е. атрибут  времени всегда явно присутствует в структурах хранилища данных. Неизменяемость означает, что, попав однажды в хранилище, данные уже не изменяются в отличие от оперативных систем, где данные присутствуют только в последней версии, поэтому постоянно меняются.

Технологии извлечения знаний из хранилищ данных основаны на методах  статистического анализа и моделирования, ориентированных на поиск моделей  и отношений, скрытых в совокупности данных. Эти модели могут в дальнейшем использоваться для оптимизации  деятельности предприятия или фирмы.

Для извлечения значимой информации из хранилищ данных имеются специальные  методы (OLAP-анализа, Data Mining или Knowledge Discovery), основанные на применении методов мате-матической статистики, нейронных сетей, индуктивных  методов построения деревьев решений  и др.

Технология OLAP (On-line Analytical Processing - оперативный анализ данных) предоставляет  пользователю средства для формирования и проверки гипотез о свойствах  данных или отношениях между ними на основе разнообразных запросов к  базе данных. Они применяются на ранних стадиях процесса извлечеия  знаний, помогая аналитику сфокусировать  внимание на важных переменных. Средства Data Mining отличаются от OLAP тем, что кроме  проверки предполагаемых зависимостей они способны самостоятельно (без  участия пользователя) генерировать гипотезы о закономерностях, существующих в данных, и строить модели, позволяющие  количественно оценить степень  взаимного влияния исследуемых  факторов на основе имеющейся информации.

1.5. АДАПТИВНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ

Потребность в адаптивных информационных системах возникает  в тех случаях, когда поддерживаемые ими проблемные области постоянно  развиваются. В связи с этим адаптивные системы должны удовлетворять ряду специфических требований, а именно:

• адекватно отражать знания проблемной области в каждый момент времени;
• быть пригодными для легкой и быстрой реконструкции при изменении проблемной среды.

Адаптивные свойства информационных систем обеспечиваются за счет интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая  модель проблемной области, поддерживаемая в специальной базе знаний - репозито-рии. Ядро системы управляет процессами генерации или переконфигурирования программного обеспечения.

В процессе разработки адаптивных информационных систем применяется  оригинальное или типовое проектирование. Оригинальное проектирование предполагает разработку информационной системы  с "чистого листа" на основе сформулированных требований. Реализация этого подхода  основана на использовании систем автоматизированного  проектирования, или CASE-технологий (Designer2000, SilverRun, Natural Light Storm и др.).

При типовом проектировании осуществляется адаптация типовых  разработок к особенностям проблемной области. Для реализации этого подхода  применяются инструментальные средства компонентного (сборочного) проектирования информационных систем (R/3, BAAN IV, Prodis и  др.). Главное отличие подходов состоит  в том, что при использовании CASE-технологии на основе репозитория при изменении  проблемной области каждый раз выполняется  генерация про-граммного обеспечения, а при использовании сборочной  технологии - конфигурирование программ и только в редких случаях - их переработка.