Интеллектуальные интегрированные системы. Этапы проектирования экспертной системы

Интеллектуальные информационные системы

Интеллектуальная информационная система (ИИС) - это один из видов автоматизированных информационных систем , иногда ИИС называют системой, основанных на знаниях. ИИС представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи: осуществление поддержки деятельности человека и поиска информации в режиме продвинутого диалога на естественном языке .

Классификация ИИС

Экспертные системы
- Собственно экспертные системы (ЭС)
- Интерактивные баннеры (web + ЭС)
Вопросно-ответные системы (в некоторых источниках «системы общения»)
- Интеллектуальные поисковики (например, система Старт)

ИИС могут размещаться на каком-либо сайте, где пользователь задает системе вопросы на естественном языке (если это вопросно-ответная система) или, отвечая на вопросы системы, находит необходимую информацию (если это экспертная система). Но, как правило, ЭС в интернете выполняют рекламно-информационные функции (интерактивные баннеры), а серьезные системы (такие, как, например, ЭС диагностики оборудования) используются локально, так как выполняют конкретные специфические задачи.
Интеллектуальные поисковики отличаются от виртуальных собеседников тем, что они достаточно безлики и в ответ на вопрос выдают некоторую выжимку из источников знаний (иногда достаточно большого объема), а собеседники обладают «характером», особой манерой общения (могут использовать сленг , ненормативную лексику), и их ответы должны быть предельно лаконичными (иногда даже просто в форме смайликов, если это соответствует контексту:-)).

Для разработки ИИС раньше использовались логические языки (Пролог , Лисп и т. д.), а сейчас используются различные процедурные языки . Логико-математическое обеспечение разрабатывается как для самих модулей систем, так и для состыковки этих модулей. Однако на сегодняшний день не существует универсальной логико-математической системы, которая могла бы удовлетворить потребности любого разработчика ИИС, поэтому приходится либо комбинировать накопленный опыт, либо разрабатывать логику системы самостоятельно. В области лингвистики тоже существует множество проблем, например, для обеспечения работы системы в режиме диалога с пользователем на естественном языке необходимо заложить в систему алгоритмы формализации естественного языка, а эта задача оказалась куда более сложной, чем предполагалось на заре развития интеллектуальных систем. Еще одна проблема - постоянная изменчивость языка, которая обязательно должна быть отражена в системах искусственного интеллекта.

Обеспечение работы ИИС

Математическое
Лингвистическое
Информационное
Семантическое
Программное
Техническое
Технологическое
Кадровое

Классификация задач, решаемых ИИС

Интерпретация данных . Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается процесс определения смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.
Диагностика . Под диагностикой понимается процесс соотношения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе. Неисправность - это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является здесь необходимость понимания функциональной структуры («анатомии») диагностирующей системы.
Мониторинг . Основная задача мониторинга - непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы - «пропуск» тревожной ситуации и инверсная задача «ложного» срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учёта временного контекста.
Проектирование . Проектирование состоит в подготовке спецификаций на создание «объектов» с заранее определёнными свойствами. Под спецификацией понимается весь набор необходимых документов -- чертёж, пояснительная записка и т.д. Основные проблемы здесь - получение чёткого структурного описания знаний об объекте и проблема «следа». Для организации эффективного проектирования и в ещё большей степени перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.
Прогнозирование . Прогнозирование позволяет предсказывать последствия некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.
Планирование . Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.
Обучение . Под обучением понимается использование компьютера для обучения какой-то дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе они способны диагностировать слабости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.
Управление . Под управлением понимается функция организованной системы, поддерживающая определенный режим деятельности. Такого рода ЭС осуществляют управление поведением сложных систем в соответствии с заданными спецификациями.
Поддержка принятия решений . Поддержка принятия решения - это совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающие процесс принятия решения. Эти ЭС помогают специалистам выбрать и/или сформировать нужную альтернативу среди множества выборов при принятии ответственных решений.

В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на системы, решающие задачи синтеза. Основное отличие задач анализа от задач синтеза заключается в том, что если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально не ограничено и строится из решений компонент или под-проблем. Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, планирование, управление. Комбинированные: обучение, мониторинг, прогнозирование.

См. также

Ссылки

Ассоциация искусственного интеллекта в Интернете alicebot.org

Wikimedia Foundation . 2010 .

Смотреть что такое "Интеллектуальные информационные системы" в других словарях:

- (ИИТ) (англ. Intellectual information technology, IIT) это информационные технологии, помогающие человеку ускорить анализ политической, экономической, социальной и технической ситуации, а также синтез управленческих решений. При этом… … Википедия

интеллектуальные системы - ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ (от лат. intellectus ум, рассудок) компьютерные системы, которые реализуют некоторые черты человеческого интеллекта, дающие возможность осиливать трудные задачи, решение которых человеком в реальное время… … Энциклопедия эпистемологии и философии науки

- (ИТ, от англ. information technology, IT) широкий класс дисциплин и областей деятельности, относящихся к технологиям управления и обработки данных, в том числе, с применением вычислительной техники. В последнее время под информационными… … Википедия

Институт автоматики и вычислительной техники Московского энергетического института (технического университета) … Википедия

Московский Государственный Университет Приборостроения и Информатики (МГУПИ) Год основания 1936 Ректор … Википедия

Интеллектуальная система (ИС, intelligent system) - это техническая или программная система, способная решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. Структура интеллектуальной системы включает три основных блока - базу знаний, решатель и интеллектуальный интерфейс.

Со всем процессом разработки интеллектуальных информационных систем в целом и ЭС в частности тесно связанаИнженерия знаний. Это методология ЭС, которая охватывает методы добычи, анализа и выражения в правилах знаний экспертов для формирования базы правил. Развитие ЭС создало инженерию знаний – процесс построения интеллектуальных систем. Она представляет собой совокупность моделей, методов и технических приемов, нацеленных на создание систем, которые предназначены для решения проблем с использованием знаний. Главными элементами инженерии знаний являются использование операций типа обобщение, генерация гипотез для индуктивных выводов, подготовка новых программ самими компьютерными программами и т.д. Слово engineering в английском означает искусная обработка предметов, изобретение или создание чего-либо. Следовательно, работу по оснащению программ специальными экспертными знаниями из проблемной области, выполняемую человеком, либо компьютером (программой), также можно назвать инженерией знаний.

Виды интеллектуальных систем:

1. Расчетно-логическая система

К расчетно-логическим системам относят системы, способные решать управленческие и проектные задачи по декларативным описаниям условий. При этом пользователь имеет возможность контролировать в режиме диалога все стадии вычислительного процесса. Данные системы способны автоматически строить математическую модель задачи и автоматически синтезировать вычислительные алгоритмы по формулировке задачи. Эти свойства реализуются благодаря наличию базы знаний в виде функциональной семантической сети и компонентов дедуктивного вывода и планирования

2. Рефлекторная интеллектуальная система

Рефлекторная система - это система, которая формирует вырабатываемые специальными алгоритмами ответные реакции на различные комбинации входных воздействий. Алгоритм обеспечивает выбор наиболее вероятной реакции интеллектуальной системы на множество входных воздействий, при известных вероятностях выбора реакции на каждое входное воздействие, а также на некоторые комбинации входных воздействий. Данная задача подобна той, которую реализуют перцептроны. Перцептро́н, или персептрон (perceptron) - математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Фрэнком Розенблаттом в 1957 г. и реализованная в виде электронной машины «Марк-1» в 1960 г. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» - первым в мире нейрокомпьютером. Несмотря на свою простоту, перцептрон способен обучаться и решать довольно сложные задачи. Рефлекторные программные системы применяются к следующим задачам: естественно-языковой доступ к базам данных; оценки инвестиционных предложений; оценки и прогнозирования влияния вредных веществ на здоровье населения; прогнозирования результатов спортивных игр.

3. Интеллектуальная информационная система

Интеллектуальная информационная система (ИИС, intelligent system) - система, основанная на знаниях.

4. Гибридная интеллектуальная система

Под гибридной интеллектуальной системой принято понимать систему, в которой для решения задачи используется более одного метода имитации интеллектуальной деятельности человека. Таким образом ГИС - это совокупность.

Экспертная система (ЭС) – это ИИС, предназначенная для решения слабоформализуемых задач на основе накапливаемого в базе знаний опыта работы экспертов в проблемной области. Она включает базу знаний с набором правил и механизмом вывода и позволяет на основании предоставляемых пользователем фактов распознать ситуацию, поставить диагноз, сформулировать решение или дать рекомендацию для выбора действия.

Экспертные системы предназначены для воссоздания опыта, знаний профессионалов высокого уровня и использования этих знаний в процессе управления. Они разрабатываются с использованием математического аппарата нечеткой логики для эксплуатации в узких областях применения, поскольку их использование требует больших компьютерных ресурсов для обработки и хранения знаний. В основе построения экспертных систем лежит база знаний, которая основывается на моделях представления знаний. В силу больших финансовых и временных затрат в российских экономических ИС экспертные системы не имеют большого распространения.

Считается, что любая экспертная система – это система, основанная на знаниях, но последняя не всегда является экспертной. В системах, основанных на знаниях, правила (или эвристики), по которым решаются проблемы в конкретной предметной области, хранятся в базе знаний . Проблемы ставятся перед системой в виде совокупности фактов , описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение из этих фактов.

Система функционирует в следующем циклическом режиме : выбор (запрос) данных или результатов анализов, наблюдение, интерпретация результатов, усвоение новой информации, выдвижение с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов. Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.

Более простые системы, основанные на знаниях, функционируют в режиме диалога, или режиме консультации . После запуска система задает пользователю ряд вопросов о решаемой задаче, требующих ответа «да» или «нет». Ответы служат для установления фактов, по которым может быть выведено окончательное заключение.

В любой момент времени в системе содержится три типа знаний :

· структурированные статические знания о предметной области, после того как эти знания выявлены, они уже не изменяются;

· структурированные динамические знания – изменяемые знания о предметной области; они обновляются по мере выявления новой информации;

· рабочие знания, применяемые для решения конкретной задачи или проведения консультации.

Все перечисленные выше знания хранятся в базе знаний . Для ее построения требуется провести опрос специалистов, являющихся экспертами в конкретной предметной области, а затем систематизировать, организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний.

Архитектура экспертной системы . Архитектура ЭС представлена на рис. 7.2. База знаний (БЗ) отражает знания экспертов. Однако далеко не каждый эксперт в состоянии грамотно изложить всю структуру своих знаний.

Выявлением знаний эксперта и представлением их в БЗ занимаются специалисты – инженеры знаний .

ЭС должна обладать механизмом приобретения знаний для ввода знаний в базу и их последующее обновление.

В простейшем случае – это интеллектуальный редактор, который позволяет вводить единицы знаний в базу, а также проводить их анализ на непротиворечивость.

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: прогнозирование, планирование, контроль и управление, обучение .

Технологию построения экспертных систем называют инженерией знаний . Этот процесс требует специфической формы взаимодействия создателя экспертной системы, которого называют инженером знаний, и одного или нескольких экспертов в некоторой предметной области. Инженер знаний «извлекает» из экспертов процедуры, стратегии, эмпирические правила, которые они используют при решении задач, и встраивает эти знания в экспертную систему.

Рис. 7.2. Архитектура ЭС

В результате появляется система, решающая задачи во многом так же, как человек-эксперт.

Ядро экспертной системы составляет база знаний , которая создается и накапливается в процессе ее построения. Знания выражены в явном виде и организованы так, чтобы упростить принятие решений. Накопление и организация знаний – одна из самых важных характеристик экспертной системы.

Наиболее полезной характеристикой экспертной системы является то, что она применяет для решения проблем высококачественный опыт . Этот опыт может представлять уровень мышления наиболее квалифицированных экспертов в данной области, что ведет к решениям творческим, точным и эффективным. Именно высококачественный опыт в сочетании с умением его применять делает систему рентабельной, способной заслужить признание на рынке. Этому также способствует гибкость системы. Система может наращиваться постепенно в соответствии с нуждами бизнеса или заказчика. Это означает, что можно вначале вложить сравнительно скромные средства, а потом наращивать возможности системы по мере необходимости.

Другой полезной чертой экспертных систем является наличие у них прогностических возможностей. Экспертная система может функционировать в качестве модели решения задачи в заданной области, давая ожидаемые ответы в конкретной ситуации и показывая, как изменятся эти ответы в новых ситуациях. Экспертная система может объяснить подробно, каким образом новая ситуация привела к изменениям. Это позволяет пользователю оценить возможное влияние новых фактов или информации и понять, как они связаны с решением. Аналогично пользователь может оценить влияние новых стратегий или процедур на решение, добавляя новые правила или изменяя уже существующие.

Важным свойством экспертных систем является возможность их применения для обучения и тренировки персонала . Экспертные системы могут быть разработаны с расчетом на подобный процесс обучения, так как они уже содержат необходимые знания и способны объяснить процесс своего рассуждения. Остается только добавить программное обеспечение, поддерживающее соответствующий требованиям эргономики интерфейс между обучаемым и экспертной системой. Кроме того, должны быть включены знания о методах обучения и возможном поведении пользователя.

Итак, в настоящее время ЭС является инструментом, усиливающим интеллектуальные способности всей системы в целом, и выполняет следующие задачи:

1) консультация для неопытных (непрофессиональных) пользователей,

2) помощь при анализе различных вариантов принятия решения,

3) помощь по вопросам, относящимся к смежным областям деятельности.

Наиболее широко и продуктивно ЭС применяются в бизнесе, производстве, медицине, менее – в науке.

Лекция №1 ИИС

В силу своего предназначения интеллектуальные информационные системы могут применяться практически в любой сфере человеческой деятельности. Примерами областей, где использование данного подхода уже приносит ощутимые результаты, являются :

· Промышленность:

Управление производством: составление и оптимизация производственной цепочки посредством распределения технологических шагов как между внутренними подразделениями, так и между сторонними подрядчиками.

Контроль производственных процессов: сбор и анализ текущей информации, коммуникации с агентами, контролирующими другие подсистемы, принятие и реализация оперативных решений.

Управление воздушным транспортом: моделирование и оптимизация диспетчерской деятельности аэропорта.

· Предпринимательство:

Управление информацией: поиск источников, сбор, фильтрация и анализ данных, интеллектуальная обработка больших объемов информации.

Электронная коммерция открывает широкие возможности для использования интеллектуальных агентов как на стороне продавца, так и на стороне покупателя.

Управление бизнес-процессами: гибкая автоматизация корпоративной организационной деятельности со сложной внутренней логикой и большим количеством участвующих сторон.

· Медицина:

Мониторинг пациентов: непрерывный сбор, учет и анализ большого количества отслеживаемых характеристик состояния пациентов на протяжении продолжительного промежутка времени.

Здравоохранение: возможность обследования и диагностирования пациентов с использованием виртуальных специалистов из различных областей медицины.

· Индустрия развлечений:

Компьютерные игры: возможность достижения качественно новых уровней посредством использования интеллектуальных агентов для различных участвующих сторон.

Интерактивные приложения (телевидение, театр, кинематограф): агенты могут создавать иллюзию реальности происходящего действия, позволяя пользователю принимать в нем участие.

Примеры ИИС в экономике:

· Intelligent Hedger: основанный на знаниях подход в задачах страхования от риска. Фирма: Information System Department, New York University. Проблема огромного количества постоянно растущих альтернатив страхования от рисков, быстрое принятие решений менеджерами по рискам в ускоряющемся потоке информации, а также недостаток соответствующей машинной поддержки на ранних стадиях процесса разработки систем страхования от рисков предполагает обширную сферу различных оптимальных решений для менеджеров по риску. В данной системе разработка страхования от риска сформулирована как многоцелевая оптимизационная задача. Данная задача оптимизации включает несколько сложностей, с которыми существующие технические решения не справляются. Краткие характеристики: система использует объектное представление, охватывающее глубокие знания по управлению риском и облегчает эмуляцию первичных рассуждений, управляющих риском, полезных для выводов и их объяснений.

· Система рассуждений в прогнозировании обмена валют. Фирма. Department of Computer Science City Polytechnic University of Hong Kong Представляет новый подход в прогнозировании обмена валют, основанный на аккумуляции и рассуждениях с поддержкой признаков, присутствующих для фокусирования на наборе гипотез о движении обменных курсов. Представленный в прогнозирующей системе набор признаков - это заданный набор экономических значений и различные наборы изменяющихся во времени параметров, используемых в модели прогнозирования. Краткие характеристики: математическая основа примененного подхода базируется на теории Демпстера-Шейфера.

· Nereid. Система поддержки принятия решений для оптимизации работы с валютными опционами. Фирма: NTT Data, The Tokai Bank, Science University of Tokyo. Система облегчает дилерскую поддержку для оптимального ответа как один из возможных представленных вариантов; более практична и дает лучшие решения, чем обычные системы принятия решений. Краткие характеристики: система разработана с использованием фреймовой системы CLP, которая легко интегрирует финансовую область в приложение ИИ. Предложен смешанный тип оптимизации, сочетающий эвристические знания с техникой линейного программирования. Система работает на Sun-станциях.

· PMIDSS: Система поддержки принятия решений при управлении портфелем. Разработчики: Финансовая группа Нью-Йоркского университета. Решаемые задачи: выбор портфеля ценных бумаг; долгосрочное планирование инвестиций. Краткие характеристики: смешанная система представления знаний, использование разнообразных механизмов вывода: логика, направленные семантические сети, фреймы, правила.

В настоящее время наиболее значительная доля использования интеллектуальных информационных систем приходится на интеллектуальные информационные агенты.

Назначение и функции интеллектуальных информационных агентов

Одним из фундаментальных понятий во многих областях теории искусственного интеллекта (и, в частности, задаче планирования) является концепция агента – того объекта, который действует в некотором окружении с целью выполнения определенных функций. Несмотря на широкую распространенность самого термина «агент», до настоящего времени не существует общепринятого определения этого понятия. В последующем изложении понятие интеллектуального агента будет интерпретироваться в смысле двух определений :

1. Слабое определение интеллектуального агента: интеллектуальный агент – аппаратная или программная система, обладающая следующими свойствами: автономность, реактивность, активность и коммуникативность.

2. Сильное определение интеллектуального агента: интеллектуальный агент – вычислительная система, обладающая перечисленными свойствами и, кроме того, реализованная на основе концепций, наиболее применимых к людям.

В работе определения сформулированы несколько иным образом по отношению к приведенным выше: под агентом понимается самостоятельная программная система, имеющая возможность принимать воздействие из внешнего мира, определять свою реакцию на это воздействие и осуществлять эту реакцию, тогда как понятие интеллектуального агента соответствует агенту, который обладает рядом знаний о себе и окружающем мире и поведение которого определяется этими знаниями

Наряду с перечисленными определениями в литературе по искусственному интеллекту встречается еще несколько десятков разнообразных формулировок определения агента , тем не менее, большинство из них сводится к наличию перечисленного набора ключевых признаков. Рассмотрим определяющие свойства интеллектуальных агентов более подробно:

· Автономность – способность функционировать независимо от внешних управляющих воздействий (например, контроля оператора). Высокой степени автономности способствуют такие возможности агента как гибкие алгоритмы работы, способность к самообучению, возможность работы с неполной информацией.

· Реактивность – способность к восприятию агентом состояния окружающей среды (внешнего мира) и изменений этого состояния, а также к учету этой информации в своей деятельности. Крайними формами использования свойства реактивности являются жесткая схема работы агента, при которой действия выполняются по заранее разработанному плану, не модифицируемому в процессе выполнения, и полностью реактивная схема поведения, когда агент не имеет заранее подготовленного плана и действует только на основании информации о текущем состоянии среды.

· Целеустремленность – способность агента не только к реактивным действиям, но и к целенаправленному поведению для достижения некоторой заданной цели, устанавливаемой самостоятельно или извне.

· Коммуникативность – свойство агентов взаимодействовать между собой, а также с другими интеллектуальными существами (например, людьми). Например, в задаче распределенного искусственного интеллекта в системе действуют несколько агентов, некоторым образом взаимодействующих между собой. В простом случае взаимодействие ограничивается лишь обменом информацией, в более сложных системах агенты могут кооперироваться и корректировать свою деятельность для достижения общих целей.

Примером интеллектуального агента является софтбот (программный робот) – система, взаимодействующая с компьютерной средой (например, операционной системой) посредством выполнения команд и интерпретации результатов команд и других сообщений среды.

Как показывает практика, в большинстве случаев применение интеллектуальных агентов сводится к одному из двух вариантов:

1. Автономное выполнение специфических функций вместо человека, а в ряде случаев, даже от лица человека.

2. Помощь в выполнении некоторых видов деятельности посредством высокоуровневого взаимодействия с человеком.

В результате анализа известных прикладных систем, реализованных на базе рассматриваемого подхода, можно выделить следующие типы интеллектуальных агентов :

1. Кооперативные агенты, способные не только к автономному изолированному функционированию, но и к совместной деятельности с другими агентами, в частности координации действий, разработке общих планов и разрешению конфликтов. Примерами агентов являются проект Pleiades университета Карнеги-Меллон , системы MII и ADEPT .

2. Интерфейсные агенты, задачей которых является взаимодействие с пользователем (а не с другими агентами) и помощь ему в выполнении некоторой деятельности. Данный тип агентов также иногда называют персональными ассистентами. Существующие реализации включают различные справочные системы , торговые помощники , системы поддержки документооборота и развлекательные системы .

3. Мобильные агенты, обладающие способностью выполнять свои функции при различном расположении внутри среды обитания. Наиболее естественной средой функционирования для таких агентов являются различные вычислительные сети или системы связи . Необходимо также заметить, что сама по себе мобильность не является ни необходимым, ни достаточным свойством интеллектуального агента.

4. Информационные агенты возникли в виде отдельного класса в результате резко возникшей необходимости поиска, сбора и переработки большого количества информации с относительно простым доступом. В первую очередь к данной группе относятся системы поиска в Интернет, например поиск в WWW (Jasper , Webwatcher ) и фильтрация архивов телеконференций (NewT ).

5. Реактивные агенты составляют специальную группу агентов, которые не располагают какой-либо внутренней моделью среды, а действуют лишь в ответ на определенное состояние окружающей среды или изменение состояния. Примерами таких систем являются “ситуационный автомат” , различные системы моделирования общественного поведения , игровые приложения .

6. Гибридные агенты, совмещающие в себе особенности, присущие различным вышеперечисленным классам. К данной группе относятся, в частности, InteRRaP , сочетающий в себе реактивный и кооперативный модули, система мониторинга пациентов Guardian , а также различные мобильные информационные агенты.

7. Гетерогенные агентные системы, в отличие от гибридных агентов, состоят из нескольких агентов, принадлежащих к разным классам. Основной мотивацией при создании таких систем является построение интеграции существующих специализированных систем (ARCHON ), при этом одним из основных вопросов оказывается организация взаимодействия между агентами .

Несмотря на очевидные преимущества и перспективы применения интеллектуальных агентов в различных научных и практических областях, данному подходу присущ также ряд ограничений, в частности:

· Отсутствие общего контроля над интеллектуальными агентами может повлечь значительные сложности при необходимости учета глобальных ограничений, требований гарантированного ответа в реальном времени и обхода возможных тупиковых ситуаций.

· Отсутствие глобальной перспективы: поскольку в реальности агентные системы не могут обладать полной системой знаний об окружающем мире, возникает вопрос о возможности нахождения оптимальных или субоптимальных решений на основе локальной базы знаний.

· Проблема доверия: насколько можно доверять интеллектуальным агентам при автономном выполнении возложенных на них функций, особенно когда такой агент действует в реальном мире от имени некоего физического лица или организации.

Тем не менее, в настоящее время наблюдается повышенный спрос на технологию интеллектуальных агентов со стороны ведущих мировых корпораций, что стимулирует большой объем научно-исследовательской работы в данной области, которая ведется в нескольких основных направлениях:

· Направление по теории агентов занимается исследованием и разработкой спецификаций, концептуализацией агентов, определением свойств и способов их формализованного представления. В работе исследуются признаки, отличающие интеллектуальных агентов от обычного программного обеспечения, а в и содержится достаточно полный обзор существующих теоретических подходов.

· Направление по архитектуре агентов изучает вопросы реализации спецификаций, аппаратные и программные аспекты проблемы построения вычислительной системы, удовлетворяющей заданным свойствам. Примерами наиболее известных архитектур интеллектуальных агентов являются: GISA (Generic Intelligent Software Agent) , BDI (Belief-Desire-Intention) и FIPA (Foundation for Intelligent Physical Agents) .

· Направление по языкам программирования агентов исследует способы формального описания теоретических принципов, вопросы поиска оптимальных примитивов при кодировании агентов, эффективной компиляции и выполнении программ. К данной группе, в частности, относятся работы, посвященные реализации агентов для Интернет и корпоративных сетей , исследованию особенностей применения объектно-ориентированного подхода и концепции агенто-ориентированного программирования .

Активные исследования в области искусственного интеллекта, проводимые со второй половины 20-го века, привели к коммерческому внедрению прикладных интеллектуальных систем в различные сферы общественной жизни. О создании действительно интеллектуальной системы, неотличимой в общении от человека, речи пока не идет. Однако уже сейчас многие программы наделяются способностями решать реальные задачи, которые до недавнего времени оставались исключительной прерогативой человека. Именно...

2.4 СИСТЕМЫ, ОСНОВАННЫЕ НА ЗНАНИЯХ

Естественно, если создание ЭС происходит не с помощью оболочки ЭС, потребуется привлечение и иных специалистов - собственно разработчиков программного обеспечения ЭС. Как уже было отмечено, важнейшим элементом ЭС является база знаний. Именно на создание и апробацию БЗ могут быть потрачены основные ресурсы разработчиков, особенно, когда для построения системы используется оболочка ЭС. В силу этой специфики ЭС в процессе ее создания выделяют следующие основные этапы, связанные с...