Классификация интеллектуальных информационных систем

    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.

    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.

    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"

    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  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.): классифицирующие, доопределяющие, трансформирующие и мультиагентные.

    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.

    Самообучающиеся интеллектуальные системы

    Самообучающаяся системаСамообучающиеся 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.

    Выбор классификационного признака из множества заданных.

    Разбиение множества примеров на подмножества по значению выбранного признака.

    Проверка  принадлежности каждого подмножества примеров одному из классов.

    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.

    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.

    Нейронные сети - 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.