Классификация интеллектуальных информационных систем

    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.

    Адаптивные  информационные системы

    Адаптивная информационная система 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.

    Аспекты представления знаний

    Неудивительно, что перед теми, кто занимается проблемой представления знаний, встает вопрос о том, что такое  знание, какова его природа и основные характеристики. В связи с этим предпринимаются, например, попытки дать такое определение знания, из которого можно было бы исходить в решении задач представления знаний в компьютерных системах. Представлению данных присущ пассивный аспект: книга, таблица, заполненная информацией память. В теории искусственного интеллекта особо подчеркивается активный аспект представления знаний: приобретение знания должно стать активной операцией, позволяющей не только запоминать, но и применять воспринятые (приобретенные, усвоенные) знания для рассуждений на их основе.

    Использование символического языка, такого, как язык математической логики, позволяет формулировать  описания в форме, одновременно близкой  и к обычному языку, и к языку  программирования. Впрочем, математическая логика позволяет рассуждать, базируясь  на приобретенных знаниях: логические выводы действительно являются активными операциями получения новых знаний из уже усвоенных.

    Принципиальная  мировоззренческая установка состоит  в рассмотрении ЭВМ как предмета-посредника в познавательной человеческой деятельности. Компьютерная система, подобно другим предметам-посредникам (орудиям труда и предметам быта, инструментам, приборам, знаково-символическим системам, научным текстам и т. д.), играя инструментальную роль в познании, является средством объективизации накопленного знания, воплощением определенного социально-исторического опыта практической и познавательной деятельности.

    Проблема  представления знаний возникла как  одна из проблем искусственного интеллекта. Она связана с переходом исследований в этой области в некоторую новую фазу. Речь идет о создании практически полезных систем (прежде всего так называемых экспертных систем), применяемых в медицине, геологии, химии. Создание такого рода систем требует интенсивных усилий по формализации знания, накопленного в соответствующей науке.

    С термином "представление знаний" связывается определенный этап в  развитии математического обеспечения  ЭВМ. Если на первом этапе доминировали программы, а данные играли вспомогательную  роль своеобразной "пищи" для "голодных" программ, то на последующих этапах роль данных неуклонно возрастала. Их структура усложнялась: от машинного слова, размещенного в одной ячейке памяти ЭВМ, происходил переход к векторам, массивам, файлам, спискам. Венцом этого развития стали абстрактные типы данных, обеспечивающие возможность создания такой структуры данных, которая наиболее удобна при решении задачи. Последовательное развитие структур данных привело к их качественному изменению и к переходу от представления данных к представлению знаний. Уровень представления знаний отличается от уровня представления данных не только более сложной структурой, но и существенными особенностями: интерпретируемость, наличие классифицируемых связей (например, связь между знаниями, относящихся к элементу множества, и знаниями об этом множестве), которые позволяют хранить информацию, одинаковую для всех элементов множества, записанную однократно при описании самого множества, наличие ситуативных отношений (одновременности, нахождения в одной точке пространства и т.п., эти отношения определяют ситуативную совместимость тех или иных знаний, хранимых в памяти). Кроме того, для уровня знаний характерны такие признаки, как наличие специальных процедур обобщения, пополнения имеющихся в системе знаний и ряда других процедур.

    Моделирование на ЭВМ понималось как техническая реализация определенной формы знакового моделирования. Однако, рассматривая ЭВМ в гносеологическом плане в качестве посредника в познании, имеет смысл не фиксировать внимание, прежде всего на "железной части" (hardware) компьютера, а рассматривать всю компьютерную систему как сложную систему взаимосвязанных и до некоторых пределов самостоятельных моделей – как материальных, так и знаковых, т. е. идеальных. Такой подход не только соответствует рассмотрению компьютерных систем в современной информатике, но является и гносеологически оправданным. В последние годы все чаще стал употребляться термин "компьютерное моделирование". Очевидно, имеет смысл обозначать им построение любого из составляющих компьютерной системы – будь то знаковая модель или материальная.