Интеллектуальные информационные системы

      Для аналитических задач классифицирующего и доопределяющего типов  характерны следующие проблемные области:

• Интерпретация данных - выбор решения из  фиксированного  множества альтернатив на базе введенной информации о текущей ситуации.  Основное назначение - определение сущности рассматриваемой ситуации, выбор гипотез, исходя их фактов. Типичным примером является экспертная система анализа финансового состояния предприятия.
• Диагностика - выявление причин,  приведших к возникновению ситуации.  Требуется предварительная интерпретация ситуации с последующей проверкой дополнительных фактов, например, выявление факторов снижения эффективности производства.
• Коррекция - диагностика,  дополненная возможностью оценки и рекомендации действий по исправлению отклонений от  нормального  состояния рассматриваемых ситуаций.

      Трансформирующие  экспертные системы. В отличие от аналитических статических экспертных систем синтезирующие динамические экспертные системы предполагают повторяющееся преобразование знаний в процессе решения задач, что связано с характером результата, который нельзя заранее предопределить, а также с динамичностью самой проблемной области.

      В качестве  методов  решения  задач  в трансформирующих экспертных системах используются разновидности гипотетического  вывода:

• генерации и тестирования,  когда по исходным данным осуществляется  генерация гипотез,  а затем проверка сформулированных гипотез на подтверждение поступающими фактами;
• предположений и умолчаний, когда по неполным данным подбираются знания об аналогичных классах объектов,  которые в дальнейшем динамически адаптируются к конкретной ситуации в зависимости от ее развития;
• использование общих закономерностей (метауправления)  в  случае  неизвестных  ситуаций, позволяющих генерировать недостающее знание.

      Многоагентные системы. Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой получаемыми результатами на динамической основе,  например,  через "доску объявлений" (рис. 1.8).

Рис. 1.8. “Доска объявлений”

      Для многоагентных систем характерны следующие  особенности:

• Проведение альтернативных рассуждений на  основе  использования  различных источников знаний с механизмом устранения противоречий;
• Распределенное решение проблем,  которые разбиваются на  параллельно решаемые подпроблемы,  соответствующие самостоятельным источникам знаний;
• Применение  множества стратегий работы механизма вывода заключений в зависимости от типа решаемой проблемы;
• Обработка больших массивов данных, содержащихся в базе данных;
• Использование различных математических моделей и внешних процедур, хранимых в базе моделей;
• Способность прерывания решения задач в связи  с  необходимостью получения  дополнительных  данных и знаний от пользователей,  моделей, параллельно решаемых подпроблем.

      Для синтезирующих динамических экспертных систем наиболее применимы следующие проблемные области:

• Проектирование  - определение конфигурации объектов с точки зрения достижения  заданных критериев эффективности и ограничений, например, проектирование бюджета предприятия или портфеля инвестиций.
• Прогнозирование - предсказание последствий развития текущих ситуаций на основе математического и эвристического моделирования, например, прогнозирование трендов на биржевых торгах.
• Диспетчирование - распределение работ во  времени,  составление расписаний, например, планирование графика освоения капиталовложений.
• Планирование - выбор последовательности действий пользователей по достижению поставленной цели, например, планирование процессов  поставки продукции.
• Мониторинг  - слежение за текущей ситуацией с возможной последующей коррекцией.  Для этого выполняется диагностика, прогнозирование, а в случае  необходимости планирование и коррекция действий пользователей, например, мониторинг сбыта готовой продукции.
• Управление - мониторинг, дополненный реализацией действий в автоматических системах, например, принятие решений на биржевых торгах.

      По  данным публикации [ 21 ], в которой проводится анализ 12500 действующих экспертных систем, распределение экспертных систем по проблемным областям имеет следующий вид (рис. 1.9):

Рис. 1.9. Проблемные области экспертных систем 

1.4. Самообучающиеся  системы

      В основе  самообучающихся систем лежат методы автоматической классификации примеров ситуаций  реальной  практики (обучения на примерах). Примеры реальных ситуаций накапливаются за некоторый исторический период и составляют обучающую выборку. Эти примеры   описываются множеством признаков классификации. Причем обучающая выборка может быть:

• “с учителем”, когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака);
• “без учителя”, когда по степени близости значений признаков классификации система сама выделяет классы ситуаций.

      В результате обучения системы автоматически  строятся обобщенные правила или  функции, определяющие принадлежность ситуаций классам, которыми обученная  система пользуется при интерпретации  новых возникающих ситуаций. Таким образом, автоматически формируется база знаний, используемая при решении задач классификации и прогнозирования. Эта база знаний  периодически автоматически корректируется по мере накопления опыта реальных ситуаций, что позволяет сократить затраты на ее создание и обновление.  

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

• возможна неполнота и/или зашумленность (избыточность) обучающей выборки  и,  как  следствие,   относительная адекватность   базы знаний возникающим проблемам;
• возникают  проблемы,  связанные с плохой смысловой ясностью зависимостей признаков и, как следствие, неспособность объяснения пользователям получаемых результатов;
• ограничения в размерности признакового  пространства вызывают неглубокое описание проблемной области и узкую направленность применения.

      Индуктивные системы. Обобщение примеров 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, в соответствии с максимальным числом получаемых подмножеств примеров);
2. По значению выбранного признака множество примеров разбивается на подмножества;
3. Выполняется проверка, принадлежит ли каждое образовавшееся подмножество примеров одному подклассу;
4. Если  какое-то подмножество примеров принадлежит одному подклассу, т.е. у всех примеров подмножества совпадает значение классообразующего признака, то процесс классификации заканчивается (при этом остальные признаки классификации не рассматриваются);
5. Для подмножеств примеров с несовпадающим значением классообразующего признака процесс классификации продолжается, начиная с пункта 1.  (Каждое подмножество примеров становится классифицируемым множеством).

      Процесс классификации может быть представлен  в виде дерева решений, в котором  в промежуточных узлах находятся  значения признаков последовательной классификации, а в конечных узлах - значения признака принадлежности определенному классу. Пример построения дерева решений на основе фрагмента таблицы примеров (таблица 1.1) показан на рис. 1.10.

      Таблица 1.1

Рис. 1.10. Фрагмент дерева решений

      Анализ  новой ситуации сводится к выбору ветви дерева, которая полностью  определяет эту ситуацию. Поиск решения  осуществляется в результате последовательной проверки признаков классификации. Каждая ветвь дерева соответствует одному правилу решения:

 Если  Спрос=“низкий” и Издержки=“маленькие”

 То       Цена=“низкая”

      Примерами инструментальных средств, поддерживающих индуктивный вывод знаний, являются 1st Class (Programs in Motion), Rulemaster (Radian Corp.), ИЛИС (ArgusSoft), KAD (ИПС Переяславль-Залесский).

      Нейронные сети. В результате обучения на примерах строятся математические решающие функции (передаточные функции или функции активации), которые определяют зависимости между входными (Xi) и выходными (Yj) признаками (сигналами) (рис. 1.11).

Рис.1.11.  Решающая функция - “нейрон”

      Каждая  такая функция, называемая по аналогии с элементарной единицей человеческого мозга - нейроном, отображает зависимость значения выходного признака (Y) от взвешенной суммы (U) значений входных признаков (Xi), в которой вес входного признака (Wi) показывает степень влияния входного признака на выходной:

      Решающие  функции используются в задачах  классификации на основе сопоставления  их значений при различных комбинациях  значений входных признаков с  некоторым пороговым значением. В случае превышения заданного порога считается, что нейрон сработал и  таким образом распознал некоторый класс ситуаций. Нейроны используются и в задачах прогнозирования, когда по значениям входных признаков после их подстановки в выражение решающей функции получается прогнозное значение выходного признака.

      Функциональная  зависимость может быть линейной, но, как правило, используется  сигмоидальная форма, которая позволяет вычленять более сложные  пространства значений выходных признаков. Такая функция  называется логистической (рис.1.12).

Рис.1.12. Логистическая (сигмоидальная) функция

      Нейроны могут быть связаны между собой, когда выход одного нейрона является входом другого. Таким образом, строится нейронная сеть (рис. 1.13), в которой  нейроны, находящиеся на одном уровне, образуют слои.

Рис.1.13. Нейронная сеть

      Обучение  нейронной сети сводится к  определению  связей (синапсов) между нейронами  и установлению силы этих связей (весовых  коэффициентов). Алгоритмы обучения нейронной сети упрощенно сводятся к определению зависимости весового коэффициента связи двух нейронов от числа примеров, подтверждающих эту зависимость.