Exemple de sisteme informatice inteligente. Aplicații ale sistemelor informaționale inteligente

Scopul principal al sistemelor informaționale din economie este furnizarea în timp util a informațiilor necesare factorilor de decizie pentru luarea deciziilor adecvate și eficiente în gestionarea proceselor, resurselor, tranzacțiilor financiare, a personalului sau a unei organizații în ansamblu. Cu toate acestea, în procesul de dezvoltare a tehnologiilor informaționale, cercetarea operațiunilor și a tehnologiilor de modelare, precum și odată cu creșterea consumatorilor de informații și suport analitic al factorilor de decizie înșiși, necesitatea unor sisteme care să reprezinte nu numai informații, ci și să efectueze unele preliminare. analiza acestuia, capabilă să ofere câteva sfaturi și recomandări, să anticipeze evoluția situațiilor, să selecteze cele mai promițătoare alternative la soluții, i.e. sprijină deciziile factorilor de decizie, asumând o parte semnificativă a operațiunilor de rutină, precum și funcții de analiză și evaluări preliminare.

Sistemul informatic de sprijin pentru decizii (IDMS) conectează resursele intelectuale ale unui manager cu capacitățile și capacitățile unui computer pentru a îmbunătăți calitatea deciziilor. Aceste sisteme sunt destinate managerilor care iau decizii de management în contextul sarcinilor semi-structurate și prost definite.

Astfel, dezvoltarea ulterioară a IDMS a condus la crearea unui sistem informațional inteligent.

Tehnologii inteligente ale informației (IIT)(Tehnologia informației intelectuale, IIT) este tehnologia informației care ajută o persoană să accelereze analiza situației politice, economice, sociale și tehnice, precum și sinteza deciziilor de management.

Utilizarea IIT în practica reală presupune luarea în considerare a specificului zonei problemei, care poate fi caracterizată prin următorul set de caracteristici:

• calitatea și eficiența luării deciziilor;
• obiective și limite instituționale neclare;
• pluralitatea actorilor implicați în rezolvarea problemei;
• comportament haotic, fluctuant și cuantificat al mediului;
• multiplicitatea factorilor care se influențează reciproc;
• formalizabilitate slabă, unicitate, situații nestereotipate;
• latența, secretul, caracterul implicit al informațiilor;
• abaterea în implementarea planurilor, importanța acțiunilor mici;
• paradoxitatea logicii deciziilor etc.

IIT se formează la crearea sistemelor informaționale și a tehnologiilor informaționale pentru îmbunătățirea eficienței managementului cunoștințelor, luării deciziilor în condițiile asociate cu apariția situațiilor problematice. În acest caz, orice situație de viață sau de afaceri este descrisă sub forma unui model cognitiv (schemă cognitivă, arhetip, cadru etc.), care este ulterior folosit ca bază pentru construirea și realizarea modelării, inclusiv a unui computer.

Capitolul I. Istoria dezvoltării sistemelor informaționale inteligente

Istoria Sistemelor Informaționale Inteligente (IIS) începe la mijlocul secolului al XX-lea, care este asociată cu dezvoltarea Inteligenței Artificiale ca o nouă direcție științifică, apariția termenului de „Inteligentă Artificială”.

Precondiții de dezvoltare inteligența artificială în URSS și Rusia apar deja în secolul al XIX-lea, când consilierul colegial Semyon Nikolayevich Korsakov (1787-1853) a stabilit sarcina de a întări capacitățile minții prin dezvoltarea de metode și dispozitive științifice, reluând conceptul modern de inteligență artificială ca amplificator al naturii. inteligență. În 1832, S. N. Korsakov a publicat o descriere a cinci dispozitive mecanice inventate de el, așa-numitele „mașini inteligente”, pentru mecanizarea parțială a activității mentale în sarcinile de căutare, comparare și clasificare. În proiectarea mașinilor sale, Korsakov, pentru prima dată în istoria informaticii, a folosit carduri perforate, care au jucat un fel de rol pentru el ca baze de cunoștințe, iar mașinile în sine au fost în esență predecesorii sistemelor expert. „Mașinile inteligente” au făcut posibilă găsirea de soluții pentru anumite condiții, de exemplu, pentru a determina cele mai potrivite medicamente pe baza simptomelor unei boli observate la un pacient. În URSS, lucrările în domeniul inteligenței artificiale au început în anii 1960. O serie de studii de pionierat au fost efectuate la Universitatea din Moscova și la Academia de Științe, conduse de V. Pușkin și D. A. Pospelov. În 1964, a fost publicată lucrarea logicianului de la Leningrad S. Maslov „O metodă inversă pentru stabilirea deductibilității în calculul predicatului clasic”, care propunea pentru prima dată o metodă de căutare automată a demonstrației teoremei în calculul predicatului. În 1966 VF Turchin a dezvoltat limbajul funcțiilor recursive Refal. Până în anii 1970. în URSS, toate cercetările AI au fost efectuate în cadrul ciberneticii. Potrivit lui D. A. Pospelov, științele „informatică” și „cibernetică” erau amestecate în acel moment, din cauza unei serii de dispute academice. Abia la sfârșitul anilor 1970 în URSS a început să se vorbească despre direcția științifică „inteligența artificială” ca ramură a informaticii. În același timp, s-a născut însăși informatica, subjugându-l pe progenitorul „ciberneticii”. La sfârșitul anilor 1970, un dicționar explicativ despre inteligența artificială, o carte de referință în trei volume despre inteligența artificială și un dicționar enciclopedic de informatică, în care sunt incluse secțiunile „Cibernetică” și „Inteligenta artificială”, alături de alte secțiuni. , fac parte din informatica.

Istoria IIT începe la mijlocul anilor 1970 și este asociată cu aplicarea practică comună a sistemelor informaționale inteligente, a sistemelor de inteligență artificială, a sistemelor de suport decizional și a sistemelor informaționale.Istoria IIT este asociată și cu dezvoltarea a trei domenii științifice: informatica filozofie, psihologie informatică și informatică avansată ( Advanced computer science) și este completată de progrese în crearea:

1.centre situaţionale

2.sisteme informaţionale şi analitice

3.Seturi de instrumente de calcul evolutive și algoritmi genetici

4.sisteme suport pentru comunicarea om-calculator în limbaj natural

5.modelare cognitivă

6.Sisteme de clasificare tematică automată a documentelor

7.Sisteme de planificare strategică

8.instrumente de analiză tehnică și fundamentală a piețelor financiare

9.Sisteme de management al calității

10. sisteme de management al proprietății intelectuale etc.

Inteligența artificială ca știință a fost fondată de trei generații de cercetători.

Tabelul 1.1. prezintă evenimente cheie din istoria inteligenței artificiale și a ingineriei cunoașterii, începând cu prima lucrare a lui W. McCulloch și W. Pitts în 1943 până la tendințele moderne în eforturile combinate ale sistemelor experte, logicii fuzzy și calculul neuronal în sistemele moderne bazate pe cunoaștere capabile de efectuare a calculelor folosind cuvinte.

Tabelul 1.1.

O scurtă listă a evenimentelor majore din istoria AI și a ingineriei cunoașterii

Prin urmare, Din punct de vedere istoric, dezvoltarea AI a mers în două direcții principale:

- prima direcție este asociată cu încercările de a dezvolta mașini inteligente prin modelarea prototipului lor biologic - creierul uman. Acum această direcție revine pe baza dezvoltării hardware-ului și software-ului modern (microcipuri bazate pe logica fuzzy, sisteme multiprocesoare distribuite, sisteme multi-agent, soft computing, algoritmi genetici și rețele neuronale etc.).

- a doua direcție este asociată cu dezvoltarea de metode, tehnici, dispozitive și programe specializate pentru calculatoare care oferă o soluție la probleme matematice și logice complexe, permițând automatizarea acțiunilor umane intelectuale individuale (sisteme bazate pe cunoștințe, sisteme expert, sisteme inteligente aplicate) .

Aceste două direcții, așa cum ar fi, determină programul minim și programul maxim, între care se află aria de cercetare și dezvoltare de astăzi a sistemelor AI. Lucrările privind dezvoltarea software-ului și hardware-ului AI sunt evidențiate într-o zonă separată.

Capitolul II.Sisteme inteligente și tipurile acestora

Sistem inteligent (IS, sistem inteligent) este un sistem tehnic sau software capabil să rezolve probleme considerate în mod tradițional creative, aparținând unei anumite domenii, despre care cunoștințele sunt stocate în memoria unui astfel de sistem. Structura unui sistem inteligent include trei blocuri principale - o bază de cunoștințe, un rezolvator și o interfață inteligentă.

Întregul proces de dezvoltare a sistemelor informaționale inteligente în general și ES în special este strâns legat de Ingineria cunoașterii... Este o metodologie ES care cuprinde metode de extragere, analiză și exprimare în reguli de cunoștințe de specialitate pentru a forma o bază de reguli. Dezvoltarea ES a creat ingineria cunoașterii - procesul de construire a sistemelor inteligente. Ea este o colecție de modele, metode și tehnici care vizează crearea de sisteme care sunt concepute pentru a rezolva probleme folosind cunoștințe. Elementele principale ale inginerii cunoașterii sunt utilizarea operațiilor precum generalizarea, generarea de ipoteze pentru inferențe inductive, pregătirea de noi programe de către programele de calculator înseși etc. Cuvântul inginerie în engleză înseamnă prelucrare pricepută a obiectelor, invenție sau crearea a ceva. Prin urmare, munca de echipare a programelor cu cunoștințe speciale de specialitate din zona problemei, efectuată de o persoană sau de un computer (program), poate fi numită și ingineria cunoașterii.

Tipuri de sisteme inteligente:

1. Sistem logic și computațional

Sistemele computaționale și logice includ sisteme capabile să rezolve sarcini manageriale și de proiectare bazate pe descrieri declarative ale condițiilor. În acest caz, utilizatorul are capacitatea de a controla toate etapele procesului de calcul în modul de dialog. Aceste sisteme sunt capabile să construiască automat un model matematic al problemei și să sintetizeze automat algoritmi de calcul în funcție de formularea problemei. Aceste proprietăți sunt realizate datorită prezenței unei baze de cunoștințe sub forma unei rețele semantice funcționale și a componentelor de inferență și planificare deductivă.

1. Sistem inteligent reflex

Sistem reflex este un sistem care generează răspunsuri generate de algoritmi speciali la diferite combinații de acțiuni de intrare. Algoritmul oferă alegerea celui mai probabil răspuns al unui sistem inteligent la un set de acțiuni de intrare, cu probabilități cunoscute de alegere a unui răspuns la fiecare acțiune de intrare, precum și la unele combinații de acțiuni de intrare. Această sarcină este similară cu cea efectuată de perceptroni. Perceptron, sau per cu eptron(perceptronul) este un model matematic și informatic de percepție a informațiilor de către creier (modelul cibernetic al creierului), propus de Frank Rosenblatt în 1957 și implementat sub forma unei mașini electronice „Mark-1” în 1960. Perceptronul a devenit unul dintre primele modele de rețele neuronale și „Mark -1 „- primul din lume neurocalculator... În ciuda simplității sale, perceptronul este capabil să învețe și să rezolve probleme destul de complexe. Sistemele software Reflex sunt aplicate la următoarele sarcini: acces în limbaj natural la baze de date; evaluarea propunerilor de investiții; evaluarea și prognozarea impactului substanțelor nocive asupra sănătății populației; prezicerea rezultatelor jocurilor sportive.

1. Sistem informatic inteligent

Sistem informatic inteligent(IIS, sistem inteligent) este un sistem bazat pe cunoștințe.

1. Sistem inteligent hibrid

Sub sistem hibrid inteligent se obișnuiește să se înțeleagă un sistem în care mai mult de o metodă de imitare a activității intelectuale umane este folosită pentru a rezolva o problemă. Astfel, GIS este o combinație de:

• modele analitice
• sistem expert
• rețele neuronale artificiale
• sisteme neclare
• algoritmi genetici
• modele statistice de simulare

Direcția interdisciplinară „sisteme inteligente hibride” reunește oameni de știință și specialiști care studiază aplicabilitatea nu a uneia, ci a mai multor metode, de obicei din clase diferite, pentru rezolvarea problemelor de control și proiectare.

CapitolIII. Sisteme de informare inteligente (IIS) suport pentru decizii

IIS este un complex de mijloace software, lingvistice și logico-matematice pentru implementarea sarcinii principale: implementarea suportului pentru activitățile umane, de exemplu, capacitatea de a căuta informații în modul avansat de dialog în limbaj natural.

IIS Este un sistem informatic format din 5 componente principale care interacționează : subsistem limbaj(un mecanism pentru furnizarea de comunicare între utilizator și alte componente ale IDS), informațiile subsistemului(stocarea datelor și mijloacele de prelucrare a acestora), subsisteme de management al cunoștințelor(un depozit de cunoștințe despre un domeniu problematic, cum ar fi proceduri, euristici și reguli și instrumente de procesare a cunoștințelor), subsisteme de gestionare a modelelor și subsisteme de prelucrare și rezolvare a problemelor(legătură de legătură între alte subsisteme).

Clasificarea sarcinilor rezolvate de IIS:

• Interpretarea datelor... Aceasta este una dintre sarcinile tradiționale pentru sistemele expert. Interpretarea se referă la procesul de determinare a semnificației datelor, ale căror rezultate trebuie să fie consecvente și corecte. De obicei, este avută în vedere analiza multivariată a datelor.
• Diagnosticare... Diagnosticarea se referă la procesul de corelare a unui obiect cu o anumită clasă de obiecte și/sau de detectare a unei defecțiuni într-un anumit sistem. O defecțiune este o abatere de la normă. Această interpretare face posibilă luarea în considerare, dintr-un punct de vedere teoretic unificat, a defecțiunilor echipamentelor în sistemele tehnice, a bolilor organismelor vii și a tot felul de anomalii naturale. O caracteristică specifică importantă aici este necesitatea de a înțelege structura funcțională („anatomia”) a sistemului de diagnostic.
• Monitorizarea... Sarcina principală a monitorizării este interpretarea continuă a datelor în timp real și semnalarea că anumiți parametri sunt în afara limitelor permise. Principalele probleme sunt „sărirea” situației alarmante și sarcina inversă a declanșării „false”. Complexitatea acestor probleme constă în estomparea simptomelor situațiilor de anxietate și necesitatea de a lua în considerare contextul temporal.
• Proiecta... Proiectarea constă în pregătirea caietului de sarcini pentru crearea de „obiecte” cu proprietăți predefinite. Caietul de sarcini este înțeles ca întregul set de documente necesare - desen, notă explicativă etc. Principalele probleme aici sunt obținerea unei descrieri structurale clare a cunoștințelor despre un obiect și problema „amprentei”. Pentru a organiza designul eficient și, într-o măsură și mai mare, reproiectarea, este necesar să se formeze nu numai deciziile de proiectare în sine, ci și motivele adoptării lor. Astfel, în sarcinile de proiectare, două procese principale sunt strâns legate, efectuate în cadrul ES-ului corespunzător: procesul de inferență a soluției și procesul de explicație.
• Prognoza... Prognoza vă permite să preziceți consecințele anumitor evenimente sau fenomene pe baza analizei datelor disponibile. Sistemele predictive deduc în mod logic consecințe probabile din situații date. Într-un sistem predictiv, se utilizează de obicei un model dinamic parametric, în care valorile parametrilor sunt „adaptate” la o situație dată. Consecințele derivate din acest model formează baza pentru predicții cu estimări probabilistice.
• Planificare... Planificarea se referă la găsirea de planuri de acțiune legate de obiecte care sunt capabile să îndeplinească anumite funcții. În astfel de ES se folosesc modele de comportament ale obiectelor reale pentru a deduce logic consecințele activității planificate.
• Educaţie... Învățarea se referă la utilizarea unui computer pentru a preda o disciplină sau o materie. Sistemele de învățare diagnostichează erorile în studiul unei discipline folosind un computer și sugerează deciziile corecte. Ei acumulează cunoștințe despre ipoteticul „elev” și despre greșelile sale caracteristice, apoi în munca lor sunt capabili să diagnosticheze slăbiciunile cunoștințelor elevilor și să găsească mijloace adecvate pentru a le elimina. În plus, ei planifică actul de comunicare cu elevul, în funcție de progresul elevului, pentru a transfera cunoștințe.

Rețelele neuronale nu sunt programate în sensul obișnuit al cuvântului, sunt antrenate. Învățarea este unul dintre principalele avantaje ale rețelelor neuronale față de algoritmii tradiționali. Din punct de vedere tehnic, antrenamentul constă în găsirea coeficienților conexiunilor dintre neuroni. În timpul antrenamentului, rețeaua neuronală este capabilă să identifice dependențe complexe între datele de intrare și ieșire, precum și să efectueze generalizări. Aceasta înseamnă că, în cazul unui antrenament de succes, rețeaua va putea returna rezultatul corect pe baza datelor care au fost absente în setul de antrenament.

• Control... Managementul este înțeles ca o funcție a unui sistem organizat care susține un anumit mod de activitate. ES de acest fel controlează comportamentul sistemelor complexe în conformitate cu specificațiile date.
• Sprijin decizional... Suportul decizional este un set de proceduri care oferă decidentului informațiile și îndrumările necesare pentru a facilita procesul decizional. Aceste ES ajută specialiștii să aleagă și/sau să formeze alternativa dorită dintr-o varietate de alegeri atunci când iau decizii responsabile.

În general, toate sistemele bazate pe cunoștințe pot fi subdivizate în sisteme de analiză, și pe sisteme care rezolvă probleme de sinteză... Principala diferență între problemele de analiză și problemele de sinteză este că, dacă în problemele de analiză setul de soluții poate fi enumerat și inclus în sistem, atunci în problemele de sinteză setul de soluții este potențial nelimitat și este construit din soluții de componente. sau subprobleme. Sarcinile analizei sunt: ​​interpretarea datelor, diagnosticare, suport decizional; sarcinile de sinteză includ proiectare, planificare, management. Combinate: instruire, monitorizare, prognoză.

Capitolul IV. Dezvoltarea și proiectarea IIS

§1. Etapele proiectării IIS

Există opinii diferite cu privire la definirea numărului de etape în proiectarea sistemelor inteligente. Depinde de mulți factori, în special de natura funcțiilor viitorului sistem inteligent, zona de utilizare, disponibilitatea instrumentelor avansate etc.

Procesul de construire a sistemelor AI poate fi împărțit în cinci etape (vezi Figura 4.1.1.).

Figura 4.1.1. Etapele proiectării AI

1... Identificarea definirii sarcinilor si identificarea caracteristicilor acestora. Se elaborează o atribuire tehnică pentru sistemul care se proiectează, cercul de utilizatori ai sistemului este limitat.

2. Evidențierea conceptelor principale ale disciplinei, care reflectă cunoștințele cercului de experți. Inginerul de cunoștințe definește mijloacele formale de reprezentare a cunoștințelor și procedurile de obținere a soluțiilor. Concepte dezvăluite și formulate care determină alegerea unei scheme caracteristice de reprezentare a cunoștințelor expertului în materie. Principalul sursa de cunoastere despre zona problemei este o persoană-expert, cărți, descrieri tehnologice, instrucțiuni, documente, metode de „brainstorming”, metode de completare automată a bazei de cunoștințe. O altă sursă importantă de cunoștințe este Internetul (căutarea tradițională a informațiilor și cunoștințelor necesare, precum și a agenților inteligenți(roboți software)).

3 . Alegerea formalismului și definiției reprezentării cunoștințelormecanism de retragere a deciziei... Structura dezvoltată pentru reprezentarea cunoștințelor stă la baza implementării etapei următoare - construcția directă a bazei de cunoștințe a sistemului.

4.Alegerea sau dezvoltarea unui limbaj pentru reprezentarea cunoștințelor. După ce regulile sunt formulate și prezentate în limba de prezentare aleasă, acestea sunt introduse de către inginerul de cunoștințe în baza de cunoștințe.

5.Testarea sistemului prin rezolvarea unor probleme specifice de testare.

Etapele creării sistemelor inteligente nu sunt clar definite și reglementate în detaliu. Este dificil de trasat o linie temporală și semnificativă între unele dintre ele; ele descriu aproximativ, într-o oarecare măsură, procesul de proiectare a sistemelor inteligente.

§2. Etapele existenței IIS

Etapele de existență a sistemelor inteligente (sau ciclurile de viață ale unui sistem) corespund nivelului de pregătire a sistemului, caracterului complet al funcționalității acestuia, implementat de trusa de instrumente. Se determină următoarele etape ale existenţei sistemelor inteligente: prototip demonstrativ; prototip de cercetare; prototip de lucru; sistem industrial; sistem comercial.

Prototip demonstrativ- aceasta este starea de dezvoltare a sistemului, când rezolvă unele dintre sarcinile problematice. Atunci când dezvoltă un prototip demonstrativ, ei se străduiesc să atingă obiective contradictorii: pe de o parte, sistemul din stadiul prototipului demonstrativ trebuie să îndeplinească sarcini care ar caracteriza mai degrabă pe deplin capacitățile sale, pe de altă parte, se străduiesc să treacă prin această etapă. cât mai repede posibil. Prototipul demo poate fi considerat satisfăcător dacă funcționează cu un set minim de reguli suficient pentru a rezolva unele probleme. Timpul de dezvoltare variază de la două luni la un an.

Prototip de cercetare proiectat pentru 1,5 ... 2 ani. În această etapă de dezvoltare a sistemului, baza sa de cunoștințe conține deja câteva sute de reguli care descriu în mod adecvat domeniul de studiu.

Prototip de lucru Sistemele inteligente efectuează o concluzie de înaltă calitate a soluțiilor pe spațiul extins al regulilor, care a ajuns la ordinul a 1000. Prin urmare, pentru a afișa soluții complexe, am nevoie de resurse mari de timp și memorie.

Sisteme industriale oferă un nivel ridicat de calitate în rezolvarea problemelor din domeniul subiectului cu reduceri semnificative ale timpului de rezolvare și memoriei necesare. Numărul de reguli nu crește la fel de mult decât în ​​comparație cu prototipul actual. În această etapă, prototipul actual este transformat prin extinderea numărului de reguli și îmbunătățirea sistemelor inteligente bazate pe utilizarea unor instrumente mai eficiente. Aceasta durează aproximativ 3 ... 4 ani.

Sistem comercial destinate în principal vânzării. Este fie orientat spre problemă, fie independent de problemă.

§3. Instrumente de proiectare IIS

În ciuda existenței multor abordări atât pentru înțelegerea sarcinilor AI, cât și pentru crearea de sisteme informaționale inteligente, există două abordări principale pentru dezvoltarea AI:

• Descendentă ( Sus -JosAi), semiotică - crearea de sisteme expert, baze de cunoștințe și sisteme de inferență logică care imită procese mentale de nivel înalt: gândire, raționament, vorbire, emoții, creativitate etc.;
• ascendent ( Partea de jos -SusAi), biologic - studiul rețelelor neuronale și al calculelor evolutive care simulează un comportament inteligent bazat pe elemente biologice, precum și crearea unor sisteme de calcul adecvate, cum ar fi un neurocomputer sau un biocomputer.

Limbaje logice (Prolog, Lisp etc.) au fost folosite anterior pentru a dezvolta IMS, iar acum sunt folosite diverse limbaje procedurale. Suportul logic și matematic este dezvoltat atât pentru modulele sistemelor în sine, cât și pentru andocarea acestor module. Cu toate acestea, în domeniul lingvisticii, există și multe probleme, de exemplu, pentru a asigura funcționarea sistemului în modul de dialog cu utilizatorul într-un limbaj natural, este necesar să se pună în sistem algoritmi pentru formalizarea naturalului. limbaj, iar această sarcină s-a dovedit a fi mult mai complicată decât era asumată în zorii dezvoltării sistemelor inteligente. O altă problemă este variabilitatea constantă a limbajului, care trebuie să se reflecte neapărat în sistemele de inteligență artificială.

Proiectarea și crearea unui sistem expert necesitau anterior 20-30 de ani persoană. În prezent, există o serie de instrumente disponibile pentru a accelera crearea. Aceste fonduri se numesc instrumental sau instrumentaţie. Utilizarea instrumentelor pentru dezvoltarea sistemelor expert reduce timpul petrecut pentru crearea acestora de 3-5 ori.

Instrument expert de dezvoltare a sistemelor Este un limbaj de programare folosit de un inginer de cunoștințe și/sau programator pentru a construi un sistem expert. Acest instrument diferă de limbajele de programare convenționale prin faptul că oferă modalități convenabile de a reprezenta concepte complexe de nivel înalt.

După scopul și funcționalitatea lor, instrumentele utilizate în proiectarea sistemelor expert pot fi împărțite în patru mari categorii:

1. Învelișuri ale sistemelor expert

Sistemele de acest tip sunt create, de regulă, pe baza unui tip de sistem expert, care s-a dovedit destul de bine în practică. Când se creează un shell, componentele care sunt prea specifice pentru domeniul de aplicare directă a acestuia sunt eliminate din sistemul prototip, iar cele care nu au o specializare îngustă sunt lăsate. Un exemplu este sistemul EMYCIN, creat pe baza sistemului MYCIN care a trecut de o lungă „run-in”. EMYCIN stochează interpretul și toate structurile de date de bază - tabele de cunoștințe și mecanismul de indexare asociat. Shell-ul este completat cu un limbaj special care îmbunătățește lizibilitatea programelor și mijloace de susținere a unei biblioteci de cazuri tipice și concluzii făcute cu privire la acestea de un sistem expert.

2. Limbaje de programare la nivel înalt

Instrumentele din această categorie scutesc dezvoltatorul de a trebui să se aprofundeze în detaliile implementării sistemului - modalități de alocare eficientă a memoriei, proceduri de nivel scăzut pentru accesarea și manipularea datelor. Unul dintre cei mai faimoși reprezentanți ai unor astfel de limbi este OPS5. Acest limbaj este ușor de învățat și oferă programatorului mult mai multe posibilități decât shell-urile specializate tipice. Trebuie remarcat faptul că majoritatea acestor limbi nu au fost niciodată aduse la nivelul unui produs comercial și sunt mai degrabă un instrument pentru cercetători. Programarea se desfășoară în limbaje obișnuite (Pascal, C etc.), programare în limbaje specializate utilizate în sarcini de inteligență artificială (LISP, FRL, SmallTalk etc.), etc.

3. Un mediu de programare care acceptă multiple paradigme

Instrumentele din această categorie includ mai multe module software, care permit utilizatorului să combine diferite stiluri de programare în procesul de dezvoltare a unui sistem expert. Printre primele proiecte de acest gen a fost și programul de cercetare LOOP, care a permis utilizarea a două tipuri de reprezentare a cunoștințelor: bazată pe reguli și orientată pe obiecte. Pe baza acestei arhitecturi au fost dezvoltate mai multe produse software comerciale în a doua jumătate a anilor 1980, dintre care KEE, KnowledgeCraft și ART au fost cele mai cunoscute. Aceste programe oferă multe opțiuni la dispoziția utilizatorului calificat și pentru dezvoltări ulterioare precum CARRA și CLIPS și au devenit un fel de standard. Cu toate acestea, aceste limbi nu sunt la fel de ușor de stăpânit de către programatori ca limbile din categoria anterioară.

4. Module suplimentare

CapitolV... Arhitectura IIS

§1. CU structura unui sistem inteligent

În funcție de natura funcțiilor îndeplinite și de domeniul de acțiune, experții îndeplinesc mai multe sarcini tipice tipice: interpretare, planificare, management, proiectare, prognoză, dispecerare și monitorizare, diagnosticare. Principalul lucru este că un expert este capabil să își actualizeze cunoștințele (adică să învețe), să explice acțiuni, să justifice decizii, să prezică evoluția situațiilor, să interacționeze activ cu mediul extern și să perceapă informații de altă natură, să primească decizii bazate pe pe cunoștințele existente, stochează în memoria sa informațiile necesare și informațiile faptice. Analiza sarcinilor va servi drept ghid în luarea în considerare a arhitecturii bazate pe cunoștințe a IP.

Astfel, pentru a crea un sistem care să funcționeze cu cunoștințe și să fie capabil într-o oarecare măsură să înlocuiască un expert sau să-l ajute să ia decizii în managementul producției, este necesar să ne străduim să punem în arhitectura sistemului nostru posibilitățile de implementare. a acestor functii.

Fig.5.1.1 .. prezintă structura generalizată și componentele unui sistem inteligent, precum și mediul acestuia.

Figura 5.1.1. Structura sistemelor inteligente.

§2. Structura KB și interacțiunea cu alte componente ale sistemului inteligent

Din punct de vedere structural, o bază de cunoștințe poate fi organizată sub forma a două subbaze principale - o bază de reguli (BP) și o bază de date (DB).

Baza de date stochează informații concrete despre sarcinile rezolvate la obiect și date care se referă la domeniul specificat. BP definește relația dintre elementele de date stocate în baza de date, pe baza modelelor de reprezentare a cunoștințelor despre domeniul subiectului, precum și a modalităților de activare a acestor cunoștințe.

Astfel, într-un mod foarte general, putem vorbi despre două niveluri de reprezentare a cunoștințelor: primul nivel - informația faptică, datele; al doilea nivel - descrieri, relații, reguli și proceduri care determină modalitatea de manipulare a informațiilor faptice.

Pe lângă cunoștințele despre domeniu, în KB ar trebui stocate și alte tipuri de cunoștințe: modelul lumii sistemului, cunoștințele despre utilizator, obiectivele etc. Aceste cunoștințe sunt conținute în principal la al doilea nivel de reprezentare în forma de blocuri sau părți organice ale BP.

În multe sisteme inteligente, în special în cele care funcționează în timp real, este implementat nivelul de meta-cunoaștere, care este necesar pentru a asigura raționalizarea proceselor de operare cu cunoștințe în baza de cunoștințe, pentru a reduce aria de găsire a unei soluții, și reduce timpul de procesare a informațiilor. Meta-cunoașterea este cunoașterea sistemului despre sine, adică cunoașterea despre cunoștințele sale, structura sa și principiile funcționării sale. Pe baza acestor cunoștințe la nivel de meta-cunoștințe (în blocul de meta-cunoștințe), cea mai eficientă strategie de căutare este determinată dintre setul disponibil de strategii de căutare.

Figura 5.2.1 Structura KB generalizată

Cu varianta structurii KB prezentată în Fig.5.2.1. , funcțiile unui interpret de reguli, care implementează rațional mecanismul de derivare a soluțiilor, este îndeplinită în esență de nivelul superior al bazei de cunoștințe - meta-cunoștințe (sau un bloc de meta-cunoștințe).

Trebuie subliniat faptul că există diverse opțiuni atât pentru organizarea bazei de cunoștințe în sine, cât și pentru interacțiunea bazei de cunoștințe cu alte componente ale SI.

Pe Fig.5.2.2. este prezentat un fragment al sistemului AI, care reflectă interacțiunea bazei de cunoștințe cu modulele principale ale sistemului în căutarea și generarea de cunoștințe. Baza de cunoștințe conține atât informații faptice, cât și reguli, sau euristice.

Fig.5.2.2. Structura interacțiunii bazei de cunoștințe cu principalele componente ale IIS pentru sistemele de producție

Concluzia soluției sau generarea de noi reguli și cunoștințe se realizează folosind blocul de inferență, care interacționează cu metalevelul KB atunci când interpretează regulile și datele KB.

Rezolvarea problemei și lucrul cu regulile și datele sunt efectuate într-un bloc special - zona de lucru. În zona de lucru sunt prezentate descrieri ale cererii - sau ale problemei de rezolvat, date și reguli din baza de cunoștințe, proceduri sau strategia mecanismului de inferență.

La utilizarea celor mai răspândite sisteme de producție în prezent de reprezentare a cunoștințelor este posibilă o variantă a organizării structurale și funcționale a principalelor componente ale sistemului, prezentată în Fig.5.2.3.

Figura 5.2.3. Structura interacțiunii bazei de cunoștințe cu principalele componente ale SI pentru sistemele de producție.

§3... Modele de reprezentare a cunoștințelor în IIS

O problemă importantă atunci când se creează o bază de cunoștințe este alegerea modului de reprezentare a cunoștințelor. Scopul prezentării cunoștințelor este de a organiza informațiile necesare în o astfel de formă încât programul de inteligență artificială să aibă acces ușor la acesta pentru luarea deciziilor, planificarea, recunoașterea obiectelor și situațiilor, analizarea scenelor, tragerea de concluzii și alte funcții cognitive.

Reprezentarea cunoștințelor în sistemele inteligente se bazează pe:

1. Cadre și rețele semantice

2. Producție și modele logice

3. Modele de reprezentare și formalizare a cunoștințelor fuzzy

4. Rețele neuronale.

Cunoștințele în IIS pot fi reprezentate folosind două tipuri de modele: declarativ și procedural. Modelele declarative tipice includ rețele și cadre semantice, iar modelele procedurale tipice includ calculul predicatelor, sistemele de producție și logica fuzzy. În practică, rareori este posibil să se descurce cu cadrul unui model atunci când se dezvoltă IMS, astfel încât reprezentarea cunoștințelor se dovedește a fi complexă.

Web semantic este un grafic direcționat, ale cărui vârfuri sunt unități de informații cu nume individuale. Evenimentele, acțiunile, conceptele generalizate sau proprietățile obiectelor pot acționa ca o unitate informațională. Vârfurile graficului sunt conectate printr-un arc dacă unitățile de informații corespunzătoare sunt în orice relație.

Cadru este o structură de date care oferă o viziune holistică asupra obiectelor, fenomenelor și tipurilor acestora sub formă de imagini abstracte. Structura cadrului este scrisă ca o listă de proprietăți (slot). Fiecare cadru are

un slot special umplut cu numele entității care este reprezentată, în timp ce altele sunt umplute cu valorile diferitelor atribute asociate obiectului.

Logica predicatelor este o extensie a logicii enunţurilor. Obiectul principal aici este o declarație variabilă (predicat), a cărei adevăr și falsitate depind de valoarea variabilelor sale. Limbajul logicii predicatelor este mai puternic decât limbajul logicii propoziționale. Este potrivit pentru formalizarea conceptelor multor zone problematice.

Model de producție , sau un model bazat pe reguli permite ca cunoștințele să fie reprezentate sub formă de propoziții precum DACĂ(condiție), ATUNCI(acțiune).

Datele cantitative (cunoștințe) pot fi inexacte. Pentru a explica inexactitatea cunoștințelor lingvistice, se folosește un aparat formal algebră neclară ... Unul dintre conceptele principale din logica fuzzy este conceptul de variabilă lingvistică, care este definită prin mulțimi fuzzy. Seturile fuzzy permit luarea în considerare a opiniilor subiective ale experților individuali.

Rețele neuronale Este o direcție a industriei computerelor, care se bazează pe ideea de a crea AI în imaginea și asemănarea creierului uman. Există un număr mare de algoritmi diferiți pentru învățarea rețelelor neuronale, printre care ideea este recunoscută ca fiind de succes algoritmi genetici , care constă în imitarea proceselor naturale de optimizare care au loc în timpul evoluției organismelor vii.

§4... Procesarea cunoștințelor și producția de soluții în IIS

Principalele metode de procesare a cunoștințelor și de ieșire a soluțiilor în IMS sunt:

eu. Metode de inferență și căutare de soluții în sistemele de producție

1. Metode de inferență bazate pe înlănțuire înainte și înapoi

2. Metode generale de găsire a soluţiilor în spaţiul de stat

Metode de enumerare

Căutare în profunzime

Latimea prima cautare

Căutare bazată pe costul arcului(Găsirea căi de cost minim)

-Căutare înapoi

3. Metode de căutare euristică (pentru a determina direcția căutării, utilizați functia de evaluare)

4. Metode de reducere

5. Metode de găsire a soluţiilor în spaţii mari de stat

Metode de reproducere și verificare

Metode secvenţiale de rafinare de sus

Dr.

II ... Inferență asupra cadrelor și rețelelor semantice

III ... Metode deductive pentru găsirea de soluții

IV ... Găsirea de soluții în fața incertitudinii

1. Inferență probabilistică

2. Concluzie bazată pe teoria încrederii

3. Logica neclară și raționamentul aproximativ

V ... Inferența în rețelele neuronale

§5. Interfață inteligentă

Termenul „interfață cu utilizatorul” acoperă toate aspectele interacțiunii dintre utilizator și IMS. Include nu numai hardware și software, ci și factori care sunt asociați cu utilizarea, accesibilitatea și interacțiunea om-mașină. Dezvoltarea abilităților și posibilităților de interacțiune confortabilă și de înaltă calitate a utilizatorului cu sistemul care organizează, oferă această componentă, ne permite să vorbim despre o interfață inteligentă. Subsistemul de interfață inteligentă este controlat de un software numit sistem de control al interfeței inteligente.

Tipuri de interfață.

Interacțiune bazată pe meniu.În acest tip de interacțiune, utilizatorul selectează o poziție sau un articol dintr-o listă de opțiuni posibile (meniu) pentru ca funcția să fie îndeplinită. Meniurile apar într-o ordine logică, începând cu meniul principal și mergând până la meniurile locale. Elementele de meniu pot include comenzi care apar în meniuri locale separate sau în meniuri cu elemente fără comandă. Meniul poate fi plictisitor și consumator de timp atunci când se analizează situații complexe, cum ar fi acest lucru poate necesita mai multe meniuri pentru a construi sau utiliza sistemul, iar utilizatorul trebuie să navigheze înainte și înapoi prin meniuri.

Limbajul de comandă.În această vizualizare, utilizatorul introduce comenzi. Multe comenzi includ combinații verb-substantiv. Unele comenzi pot fi executate cu taste funcționale. O altă modalitate de a simplifica comenzile este utilizarea macrocomenzilor. Comenzile pot fi introduse și prin voce.

Vizualizare interfață întrebare-răspunsîncepe cu computerul care întreabă utilizatorul. Utilizatorul răspunde la întrebări cu o frază sau o propoziție (sau prin alegerea unui element de meniu). Computerul poate solicita utilizatorului clarificări sau introducere suplimentară de informații. În unele aplicații, ordinea întrebărilor poate fi inversată: utilizatorul pune întrebările și computerul oferă răspunsurile.

Formarea interacțiunii. Utilizatorul introduce date sau comenzi în formularele (câmpurile) desemnate. Titlurile formularelor (sau raportului sau tabelului) servesc drept indicii de conectare. Ca rezultat, computerul poate prezenta unele rezultate, iar utilizatorului i se poate cere să continue procesul interactiv.

Limbajul natural. Interacțiunea om-calculator, care, la fel ca dialogul om-om, se numește limbaj natural. Astăzi, dialogul în limbaj natural se realizează în primul rând prin intermediul tastaturii. Un astfel de dialog se va desfășura în viitor folosind vocea pentru introducerea și ieșirea informațiilor. Principala limitare a utilizării limbajului natural este, în esență, incapacitatea computerului de a înțelege limbajul natural. Cu toate acestea, progresele în IA cresc din ce în ce mai mult nivelul dialogului în limbaj natural.

Interfață grafică cu utilizatorul.Într-o interfață grafică cu utilizatorul, obiectele sunt de obicei reprezentate ca pictograme (sau simboluri) și manipulate direct de utilizator. Cele mai recente sisteme de operare pentru computere și aplicațiile lor sunt bazate exclusiv pe grafică.

CapitolVI. Clasificarea IIS

IMS poate fi plasat pe orice site unde utilizatorul pune întrebări sistemului în limbaj natural (dacă este un sistem întrebări-răspuns) sau, răspunzând la întrebările sistemului, găsește informațiile necesare (dacă este un sistem expert). Dar, de regulă, ES pe Internet realizează funcții de publicitate și informare (bannere interactive), iar sistemele serioase (cum ar fi, de exemplu, diagnosticarea echipamentelor ES) sunt utilizate local, deoarece îndeplinesc sarcini specifice specifice.

Motoarele de căutare inteligente se deosebesc de interlocutorii virtuali prin faptul că sunt destul de fără chip și ca răspuns la o întrebare scot un extras din surse de cunoaștere (uneori de un volum destul de mare), iar interlocutorii au un „caracter”, un mod special de a comunicare (pot folosi argou, blasfemie), iar răspunsurile lor trebuie să fie cât mai concise posibil (uneori chiar sub formă de emoticoane, dacă acest lucru este potrivit pentru context).

IIS :

• Sistem expert
• Sisteme expert (ES) propriu-zis

• Sisteme întrebări-răspuns (în unele surse „sisteme de comunicare”)
• Interlocutori virtuali

§ 1. Sisteme experte

Sistem expert (ES, sistem expert)- un program de calculator capabil să înlocuiască parțial un specialist-expert în rezolvarea unei situații problematice. Acesta este un sistem de calcul care include cunoștințele specialiștilor despre un anumit domeniu îngust sub forma unei baze de cunoștințe. Astfel de sisteme pot fi folosite de un neexpert pentru a-și îmbunătăți abilitățile și capacitățile în rezolvarea problemelor unei anumite clase într-o anumită materie. ES poate fi folosit pentru a disemina surse de cunoștințe rare. Aceste sisteme pot avea un impact semnificativ atât asupra activităților unor astfel de consultanți profesioniști precum analiștii financiari, avocații, auditorii etc., cât și asupra organizațiilor și managementului acestora.

Nu există un arbore predeterminat de întrebări în sistemul expert; fiecare întrebare următoare este selectată pe baza răspunsurilor la toate cele anterioare. Acest lucru vă permite să excludeți întrebările inutile și să nu oferiți opțiuni de răspuns care nu vor duce la niciun rezultat. Absența unui arbore fix permite utilizatorului să stabilească prioritatea întrebărilor, alegând pentru sine cele mai importante aspecte în procesul de căutare. În orice moment, puteți reveni la întrebare și alegeți un alt răspuns fără a fi nevoie să răspundeți din nou la restul întrebărilor.

Sistemele experte au una mare diferență față de alte IIS: nu sunt concepute pentru a rezolva un fel de problemă universală, cum ar fi rețelele neuronale sau algoritmii genetici. Sistemele experte sunt concepute pentru rezolvarea problemelor de înaltă calitate în zona definită de dezvoltatori, în cazuri rare - zone.

Fig. 6.1.1. Sistem expert

Tehnologia pentru construirea unui ES (vezi. Fig. 6.1.2. ) este adesea denumită ingineria cunoașterii.

Orez. 6 .1.2. Procesul de construire a unui ES.

Trăsăturile caracteristice ale ES sunt:

• limitarea clară a domeniului subiectului;
• capacitatea de a lua decizii în fața incertitudinii;
• capacitatea de a explica cursul și rezultatul unei decizii într-un mod ușor de înțeles de utilizator;
• separarea clară a cunoștințelor declarative și procedurale (fapte și mecanisme de inferență);
• capacitatea de a completa baza de cunoștințe, capacitatea de a construi sistemul;
• rezultatul este emis sub forma unor recomandări specifice pentru acțiuni în situația actuală, care nu sunt inferioare deciziilor celor mai buni specialiști;
• orientare spre rezolvarea sarcinilor neformalizate (metoda de formalizare este încă necunoscută);
• algoritmul de soluție nu este descris în prealabil, ci este construit de sistemul expert însuși;
• nicio garanție a găsirii unei soluții optime cu capacitatea de a învăța din greșeli.

Clasificări ES

Sisteme experte propriu-zise

• Bannere interactive (web + ES)

Bannerele interactive vorbitoare sunt sisteme informatice sau experte destinate plasării pe resurse externe.

Avantajele bannerelor interactive:

• Atractivitate sporită pentru consumatori - vreau să vorbesc cu un banner neobișnuit.
• Contact continuu cu utilizatorul. Timpul mediu de comunicare cu un banner poate fi de aproximativ 3 minute.
• Bannerul poate conduce diferiți interlocutori către diferite pagini, în conformitate cu solicitările și nevoile acestora.

Clasificarea ES prin conexiune cu timp real:

• ES static- acestea sunt ES care rezolvă probleme în condiții de date și cunoștințe inițiale care nu se modifică în timp.
• ES cvasidinamic interpretează o situație care se modifică cu un anumit interval de timp fix.
• ES dinamic- acestea sunt ES care rezolvă probleme în condițiile datelor și cunoștințelor inițiale care variază în timp.

Structura ES:

Figura 6.1.3. mai jos este structura canonică a unui sistem expert de tip dinamic:

Orez. 6 .1.3. Structura ES

• motor de inferență, numit și interpret, rezolvator;
• memorie de lucru (RP), numită și bază de date de lucru (DB);
• baza de cunostinte (KB);
• un subsistem pentru dobândirea și completarea cunoștințelor;
• subsistem explicație;
• subsistem dialog;
• subsistem de interacțiune cu lumea exterioară.

Motor de inferență(MLV) este conceput pentru a obține fapte noi bazate pe compararea datelor inițiale din memoria de lucru și cunoștințe din baza de cunoștințe. Motorul de inferență implementează algoritmi pentru inferența înainte și/sau înapoi și poate fi reprezentat formal printr-un patru:

Mecanism de retragere este creierul ES, se mai numește structura de conducere sau interpret de reguli(în ES bazat pe reguli).

Această componentă este practic un program de calculator care oferă o metodologie de raționament asupra informațiilor din baza de cunoștințe și din spațiul de lucru și de formulare a concluziilor. Acesta oferă îndrumări cu privire la modul de utilizare a cunoștințelor sistemului pentru a implementa un contract de închiriere (programarea activităților planificate într-un spațiu de lucru) care organizează și controlează pașii parcurși pentru rezolvarea unei probleme.

Motorul de inferență are două elemente principale:

Un interpret care execută pozițiile de închiriere selectate utilizând regulile adecvate ale bazei de cunoștințe.

Scheduler care sprijină gestionarea agendei. Evaluează rezultatele regulilor de inferență utilizate în lumina priorităților acestora sau a altor criterii din agendă.

Memorie de lucru este destinată stocării faptelor inițiale și intermediare ale problemei care se rezolvă în momentul actual. De regulă, se află în memoria RAM a computerului și reflectă starea actuală a domeniului subiectului sub formă de fapte cu coeficienți de încredere (CO) în adevărul acestor fapte.

Valoarea întregului sistem expert ca produs finit este determinată în proporție de 90% de calitatea produsului creat bază de cunoștințe De regulă, baza de cunoștințe a ES conține fapte (informații statice despre domeniul subiectului) și reguli - un set de instrucțiuni, care pot fi aplicate faptelor cunoscute pentru a obține fapte noi. În cadrul modelului logic, bazele de date și bazele de cunoștințe sunt scrise în limbajul Prolog - limbajul și sistemul de programare logic) folosind limbajul predicat pentru a descrie fapte și reguli de inferență care exprimă regulile de definire a conceptelor, pentru a descrie informații generalizate și specifice. , precum și interogări specifice și generalizate către baze de date și baze de cunoștințe.

Subsistem pentru dobândirea și completarea cunoștințelor automatizează procesul de completare a sistemului expert cu cunoștințe, efectuat de utilizatorul expert, și de adaptare a bazei de cunoștințe a sistemului la condițiile de funcționare a acestuia. Adaptarea sistemului expert la schimbările din domeniu se realizează prin înlocuirea regulilor sau faptelor din baza de cunoștințe.

Explicați subsistemul explică modul în care sistemul a primit o soluție la problemă (sau de ce nu a primit o soluție) și ce cunoștințe a folosit, ceea ce facilitează testarea sistemului de către un expert și crește încrederea utilizatorului în rezultat. Abilitatea de a explica acțiunile cuiva este una dintre cele mai importante proprietăți ale unui sistem expert, deoarece:

• creșterea încrederii utilizatorilor în rezultatele obținute;
• depanarea sistemului este facilitată;
• sunt create condiții pentru ca utilizatorii să descopere noi modele ale domeniului;
• explicaţia concluziilor obţinute poate servi ca mijloc de găsire a unui punct în setul Pareto-optimal de soluţii.

În prezent, în practică, toate CRM-urile sunt implementate pe aceleași principii, practic, în două moduri:

Remedierea evenimentelor și stărilor folosind texte pregătite în limbaj natural;

Prin urmărirea raționamentului, extindeți invers arborele obiectivului cu indicarea sub-golurilor.

La implementarea fiecăreia dintre aceste metode, sunt evidențiate preliminar situațiile, faptele și nodurile de tranziție către stări noi care necesită explicație. Li se atribuie un text al explicației.

Structura sistemului expert ar fi incompletă fără subsisteme de dialog... Subsistemul de dialog este axat pe organizarea unei interfețe prietenoase cu toate categoriile de utilizatori atât în ​​cursul rezolvării problemelor, cât și în cursul dobândirii cunoștințelor și explicării rezultatelor muncii.

Faptele și regulile dintr-un sistem expert nu sunt întotdeauna adevărate sau false. Uneori există un anumit grad de incertitudine cu privire la veridicitatea unui fapt sau acuratețea unei reguli. Dacă această îndoială este exprimată în mod explicit, atunci se numește „factorul de încredere”.

Factorul de încredere Este un număr care indică probabilitatea sau gradul de certitudine cu care un fapt sau o regulă dat poate fi considerat de încredere sau corect. Acest coeficient este o estimare a gradului de încredere în decizia emisă de sistemul expert. O astfel de evaluare, de exemplu, poate fi efectuată conform schemei Shortliffe.

Moduri de operare ES:

1. Modul de introducere a cunoștințelor - în acest mod, expertul, cu ajutorul inginerului de cunoștințe prin intermediul editorului bazei de cunoștințe, introduce informațiile pe care le cunoaște despre domeniul subiectului în baza de cunoștințe ES.
2. Modul de consultare - utilizatorul menține un dialog cu SE, informând-o despre sarcina curentă și primind recomandări de la SE. De exemplu, pe baza informațiilor despre starea fizică a pacientului, ES pune un diagnostic sub forma unei liste de boli care sunt cel mai probabil cu aceste simptome.

Tab. 6 .1.1.

Principalele clase de rezolvare a problemelor rezolvate de ES

Unele ES aparțin a două sau mai multe dintre aceste categorii. Să dăm o scurtă descriere a fiecăreia dintre aceste categorii.

Sisteme de interpretaredezvăluie descrieri ale situației din observații. Această categorie include observația, înțelegerea vorbirii, analiza imaginilor, interpretarea semnalului și multe alte tipuri de analiză intelectuală. Sistemele de interpretare explică datele observate atribuindu-le semnificații simbolice care descriu situația.

Sisteme de predicție include prognoza meteo, prognozele demografice, prognoza economică, estimările de randament și prognoza militară, de marketing și financiară.

Sisteme de diagnosticare includ diagnosticare în medicină, electronică, mecanică și software. Sistemele de diagnostic corelează de obicei anomaliile comportamentale observate cu cauzele care stau la baza.

Sisteme de proiectare dezvolta configuratii de obiecte care satisfac cerintele specifice problemei de proiectare. Astfel de sarcini includ proiectarea clădirii, amenajarea echipamentelor etc. Aceste sisteme construiesc diverse relații de descrieri de obiecte între ele și verifică dacă aceste configurații îndeplinesc constrângerile și cerințele stabilite.

Sisteme de planificare se specializează în programarea sarcinilor, cum ar fi programarea automată. De asemenea, se ocupă de planificare pe termen scurt și lung în managementul proiectelor, rutare, comunicare, dezvoltare de produse, aplicații militare, producție și planificare financiară.

Sisteme de monitorizare compararea observaţiilor asupra comportamentului sistemului cu standardele care par a fi determinante pentru atingerea unui scop.Aceste constatări critice corespund unor potenţiale deficienţe ale întreprinderii. Există multe sisteme de monitorizare computerizată, de la controlul traficului aerian până la sarcini de gestionare a colectării taxelor.

Sisteme de management si control controlează adaptativ comportamentul general al sistemului. Pentru a realiza acest lucru, sistemul de management trebuie să interpreteze periodic situația actuală, să prezică viitorul, să diagnosticheze cauzele problemelor așteptate, să formuleze un plan pentru eliminarea acestor probleme și să monitorizeze implementarea acestuia pentru a asigura succesul.

Cel mai faimos / comun ES:

• CLIPS - popular ES (domeniu public)
• OpenCyc este un ES dinamic puternic, cu un model ontologic global și suport pentru contexte independente
• MYCIN este cel mai faimos sistem de diagnostic care este conceput pentru a diagnostica și monitoriza starea pacientului cu meningită și infecții bacteriene.
• HASP / SIAP este un sistem interpretativ care determină poziția și tipurile de nave din Oceanul Pacific pe baza datelor din sistemele de urmărire acustică.

Primul ES, numit Dendral, a fost dezvoltat la Stanford la sfârșitul anilor 1960. Ea a determinat structura moleculelor organice prin formule chimice și date spectrografice privind legăturile chimice din molecule. Valoarea lui Dendral constă în următoarele: moleculele organice sunt de obicei foarte mari și, prin urmare, numărul de structuri posibile ale acestor molecule este de asemenea mare; datorită cunoștințelor euristice ale chimiștilor experți inerente ES, soluția corectă dintr-un milion posibil a fost găsită în doar câteva încercări. Principiile și ideile din spatele Dendral s-au dovedit a fi atât de eficiente încât sunt utilizate și astăzi în laboratoarele chimice și farmaceutice din întreaga lume. ES Dendral a fost unul dintre primii care a folosit cunoștințele euristice ale specialiștilor pentru a atinge nivelul de expert în rezolvarea problemelor, cu toate acestea, metodologia sistemelor expert moderne este asociată cu o altă dezvoltare - Mycin. A folosit cunoștințele experților medicali pentru a diagnostica și trata meningita specializată și infecțiile bacteriene ale sângelui. ES Mycin, dezvoltat tot la Stanford la mijlocul anilor 1970, a fost unul dintre primii care a abordat problema luării deciziilor bazate pe informații nesigure sau insuficiente. Toate raționamentele sistemului expert Mycin s-au bazat pe principiile logicii de control, corespunzătoare specificului domeniului subiectului. Multe tehnici experte de dezvoltare a sistemelor utilizate astăzi au fost inițiate de proiectul Mycin. MYCIN a fost un sistem expert timpuriu dezvoltat în 5 sau 6 ani la începutul anilor 1970 la Universitatea Stanford. A fost scrisă în Lisp ca teză de doctorat de Edward Shortliffe sub supravegherea lui Bruce Buchanan, Stanley N. Cohen și alții. În același laborator a fost creat anterior sistemul expert Dendral, dar de această dată atenția s-a concentrat pe utilizarea regulilor de decizie cu elemente de incertitudine. MYCIN a fost conceput pentru a diagnostica bacteriile care cauzează infecții severe, cum ar fi bacteriemia și meningita, și pentru a recomanda cantitatea potrivită de antibiotice în funcție de greutatea corporală a pacientului. Numele sistemului provine de la sufixul „-mycin”, care se găsește adesea în denumirile antibioticelor. Micina a fost, de asemenea, utilizată pentru a diagnostica tulburările de sângerare.

Avantajele ES:

1. Persistență

Competența umană se diminuează în timp. O pauză în activitatea unui expert uman îi poate afecta grav calitățile profesionale.

2. Ușurința transmiterii

Transferul de cunoștințe de la o persoană la alta este un proces lung și costisitor. Transferul de informații artificiale este un proces simplu de copiere a unui program sau a unui fișier de date.

3. Stabilitatea și reproductibilitatea rezultatelor

Sistemele experte sunt imune la interferențe. O persoană, pe de altă parte, cedează cu ușurință influenței factorilor externi care nu au legătură directă cu problema care se rezolvă. Un expert uman poate lua decizii diferite în situații identice din cauza factorilor emoționali. Rezultatele sistemului expert sunt stabile.

4. Cost

Experții, în special cei cu înaltă calificare, sunt foarte scumpi. Sistemele expert, pe de altă parte, sunt relativ ieftine. Dezvoltarea lor este costisitoare, dar sunt ieftine de operat.

În plus, un expert uman poate lua diverse decizii în situații identice din cauza factorilor emoționali (influența presiunii timpului, influența stresului).

Tabelul 6.1.2.

Comparație între competența umană și cea artificială

Dezavantajele ES:

Până în prezent, un număr mare de sisteme expert au fost deja create. Cu ajutorul acestora se rezolvă o gamă largă de probleme, dar exclusiv în domenii de înaltă specializare. De regulă, aceste domenii sunt bine studiate și au strategii de luare a deciziilor mai mult sau mai puțin clare. Acum, dezvoltarea sistemelor expert s-a oprit oarecum și există o serie de motive pentru aceasta:

• Transferul de cunoștințe „profunde” despre domeniul subiectului către sistemele expert este o mare problemă. De regulă, aceasta este o consecință a complexității formalizării cunoștințelor euristice ale experților.
• Sistemele experte nu sunt capabile să ofere explicații semnificative pentru raționamentul lor, așa cum o face un om. De regulă, sistemele expert descriu doar succesiunea pașilor parcurși în procesul de găsire a unei soluții.
• Depanarea și testarea oricărui program de calculator este destul de laborioasă, dar este deosebit de dificilă verificarea sistemelor experte. Aceasta este o problemă majoră, deoarece sistemele expert sunt utilizate în domenii critice, cum ar fi controlul traficului aerian și feroviar, sistemele de arme și industria nucleară.
• Sistemele expert au un alt dezavantaj major: sunt incapabile de auto-învățare. Pentru a menține sistemele expert actualizate, este necesară o intervenție constantă în baza de cunoștințe a inginerilor de cunoștințe. Sistemele experte, lipsite de suport pentru dezvoltatori, își pierd rapid relevanța.
• Experții pot percepe direct un complex de informații senzoriale de intrare (vizuale, auditive, tactile, olfactive și tactile). ES - doar simboluri. Deși în anumite domenii ale dezvoltării sistemelor inteligente de inginerie și industriale, s-au obținut rezultate reale ale anumitor procesări ale informațiilor senzoriale.
• Experți - oamenii pot înțelege imaginea de ansamblu, toate aspectele problemei și pot înțelege modul în care se raportează la sarcina principală. ES tinde să se concentreze asupra sarcinii în sine, deși sarcinile conexe pot afecta soluția celei principale.
• Oamenii, experți și neexperți, au ceea ce numim noi bun simț, sau de cunoștință publică. Aceasta este o gamă largă de cunoștințe generale despre lume, despre ce legile operează în ea, de exemplu. cunoștințe pe care fiecare dintre noi le posedă, le dobândește din experiență și le folosește în mod constant. Din cauza volumului mare de cunoștințe de bun simț, nu există o modalitate ușoară de a le încorpora într-un program inteligent. Cunoașterea bunului simț include a cunoaște ceea ce știi și ceea ce nu știi.

Prin urmare, ES sunt folosite cel mai adesea ca consilieri, consultanți sau asistenți ai factorilor de decizie.

§2. Sisteme intrebare-raspuns

Clasificarea sistemelor de întrebări-răspuns:

• Motoare de căutare inteligente (de exemplu, sistemul Start)
• Asistenți digitali virtuali
• Interlocutori virtuali (BC)

Interlocutorii virtuali sunt instalați pe site și comunică cu utilizatorii acestuia prin chat text. Fiecare infa are propria sa imagine vizuală, care este capabilă să transmită emoțiile infa și face comunicarea cu interlocutorul mai personală și de încredere.

Structura interlocutorilor virtuali:

Prima componentă a aeronavei este interfața cu utilizatorul prin care utilizatorul vorbește cu aeronava. Interfața cu utilizatorul este o fereastră cu o linie de introducere a textului, replici infa și imaginea sa vizuală. Practic, este o aplicație Flash care poate fi instalată ușor și rapid pe orice site.

A doua componentă este o platformă integrată care definește comportamentul și vocabularul aeronavei. Printre altele, platforma complexă include baza de cunoștințe infa - un set de scenarii flexibile cu opțiunile date de întrebări și răspunsuri la acestea. Pe lângă baza de cunoștințe, se poate conecta o bază de date clienți cu informații despre utilizator, de unde inf va prelua date specifice despre bunuri și servicii. În special, este utilizat pe scară largă în dezvoltarea vânzătorilor de informații.

Sarcini de rezolvat:

VS sunt ușor de antrenat și ajută la rezolvarea multor probleme cu care se confruntă clientul. Ei pot fi:

• consultanti raspunderea la intrebarile utilizatorilor cu privire la bunurile si serviciile prezentate;
• vânzători ajuta la alegerea produsului, serviciului, tarifului potrivit, etc.;
• personal de suport tehnic ajutarea utilizatorului la rezolvarea problemelor tehnice aparute;
• promotori promovarea de noi produse și servicii;
• interlocutori interesanți care generează interes, cresc starea de spirit și loialitatea vizitatorilor.

Aplicatii:

• Bănci și companii de asigurări pentru care este important să aibă pe site un consultant competent care să poată spune cu promptitudine toate detaliile despre serviciile oferite;
• magazine pe internet pentru care este important să ajute clienții în alegerea produselor, precum și să promoveze promoțiile și vânzările;
• Portaluri de internet care trebuie să atragă atenția utilizatorilor asupra proiectelor lor interne;
• Organizatori de evenimente pentru care este important să informezi vizitatorii site-ului despre toate noutățile și detaliile;
• Firme de servicii tehnice pentru care este important să ofere asistență tehnică non-stop utilizatorilor.

Avantajele interlocutorilor virtuali:

• Eficienţă: inf funcționează 24 de ore pe zi, 7 zile pe săptămână și poate comunica simultan cu un număr nelimitat de utilizatori. Inf vă permite să reduceți sarcina și costurile call-center-ului, consultanților și specialiștilor de asistență tehnică.
• Disponibilitate: inf înlătură bariera psihologică cu care se confruntă utilizatorul atunci când caută ajutor; introduceți doar o frază - și inf vă va oferi instantaneu un sfat competent. În același timp, utilizatorii tratează informațiile cu încredere, deoarece știe să mențină un dialog plin de viață, relaxat și chiar să exprime emoții ca răspuns la indiciile utilizatorului.
• Ușurință de operare: inf nu solicită utilizatorului să utilizeze programe suplimentare. Totodată, nici inf nu creează probleme clientului: pentru a instala infa pe site este suficient să plasezi un cod scurt special pe pagini.
• Competență: inf este ușor de învățat, ceea ce vă permite să puneți în el toate întrebările importante care interesează utilizatorii. Inf este capabil să ajute utilizatorul să navigheze pe site prin deschiderea automată a paginilor necesare. Dacă este necesar, inf poate iniția el însuși dialoguri pe subiectele necesare.
• Atentie: Inf înregistrează toate conversațiile cu utilizatorii, iar clientul are acces deplin la acestea. Înregistrările conversațiilor sunt utile atât din punctul de vedere al formării ulterioare infa, cât și din punctul de vedere al colectării de informații valoroase despre utilizatori și interesele acestora.

Utilizarea aeronavei permite:

• Creșteți conversia vizitatorilor în clienți: inf înlătură bariera motivațională dintre utilizator și site, deoarece îi inspiră imediat încredere utilizatorului și îi oferă exact informațiile care îl interesează.
• Creșteți loialitatea vizitatorilor: informațiile luminoase și pozitive susțin comunicarea live cu utilizatorul și îi provoacă cele mai pozitive emoții. Ceea ce este important, în mintea utilizatorului, aceste emoții vor fi direct legate de imaginea companiei - clientul infa.
• Îmbunătățiți efectul unei campanii de publicitate și al campaniilor de marketing: inf atrage atenția utilizatorilor și le furnizează cele mai complete informații despre articolul promovat.
• Reduceți sarcina pentru consultanții interni, agenții de vânzări și personalul de asistență tehnică: Răspunzând la întrebări frecvente și ușor de rezolvat, inf economisește timp și efortul specialiștilor interni, permițându-le să se concentreze asupra problemelor cu adevărat importante.
• Îmbunătățiți serviciul pentru clienți: inf vă permite să aflați ce interesează un anumit client și să îi oferiți ceea ce are nevoie!

CapitolVii... Perspective pentru dezvoltarea IIS în managementul cunoștințelor

Având în vedere tendințele de dezvoltare a sistemelor informaționale inteligente în managementul cunoștințelor, trebuie remarcate următoarele direcții principale legate de dezvoltarea modelelor și metodelor de implementare a anumitor aspecte de obținere și transformare a cunoștințelor:

1. Tehnologii pentru extragerea si prezentarea cunostintelor ... În primul caz, sarcina principală este de a dezvolta metode: descrierea formală a „atributelor cunoașterii” (modele de căutare); formalizarea SbA; recunoașterea și compararea modelelor; extragerea de cunoștințe de la experți, statistici, texte, „experiență” etc. În al doilea, sunt rezolvate probleme legate de formalizarea cunoștințelor pentru reprezentarea lor în memoria sistemelor inteligente (SI). Rezolvarea acestor probleme permite dezvoltatorilor de tehnologii complexe să obțină răspunsuri la trei întrebări fundamental importante: ce cunoștințe trebuie reprezentate în IS, cine (care) este sursa acestor cunoștințe, ce metode și modele oferă o reprezentare adecvată a acestor cunoștințe în IS. .

2. Tehnologii pentru manipularea cunoștințelor, rezolvarea problemelor intelectuale presupune nu numai reprezentarea cunoștințelor în PI, ci și prelucrarea acestora, adică. este necesar să-l învățăm pe IS să opereze cu ei. Prin urmare, aici problemele reînnoirii cunoștințelor sunt studiate pe baza descrierilor lor incomplete, sunt dezvoltate clasificarea cunoștințelor în IS, procedurile și metodele de generalizare a cunoștințelor, inferența de încredere etc.

3. Tehnologia comunicațiilor ... Trecerea la SI marchează o nouă tehnologie de comunicare între utilizatorii finali și calculatoare și necesită soluționarea unor astfel de probleme precum înțelegerea textelor coerente într-un limbaj natural limitat și nerestricționat, înțelegerea vorbirii și sinteza acesteia, dezvoltarea modelelor de comunicare „utilizator-calculator”, formarea explicatii etc. Scopul principal al acestor studii este de a oferi condiții confortabile pentru comunicarea dintre oameni și IP.

4. Tehnologii ale percepției ... Dezvoltarea acestor tehnologii presupune crearea unor metode: analiza scenelor tridimensionale, prezentarea de informații despre imaginile vizuale în baza de cunoștințe IS, transformarea scenelor vizuale în descrieri textuale și invers, precum și dezvoltarea proceduri grafice cognitive etc.

5... Tehnologii de învățare. O trăsătură distinctivă a IS ar trebui să fie capacitatea lor de a rezolva probleme care nu sunt prezentate în mod explicit în baza de cunoștințe, ceea ce necesită dotarea SI cu capacitatea de a învăța. În aceste scopuri, este necesar: să se creeze metode de formare a condițiilor problemei prin descrierea unei situații problematice sau prin observarea acestei situații, să se asigure trecerea de la o soluție cunoscută a unor probleme particulare la rezolvarea unei probleme generale, să se înzească SI cu capacitatea de a descompune problema inițială în altele mai mici, a căror soluție este cunoscută, de a dezvolta modele normative și declarative ale procesului de învățare în sine, de a crea o teorie a comportamentului imitativ etc.

6. Tehnologii comportamentale ... Interacțiunea IP cu mediul necesită dezvoltarea unor proceduri comportamentale speciale care să le permită să răspundă în mod adecvat la anumite schimbări din mediu. O astfel de interacțiune presupune crearea de modele de comportament oportun, normativ și situațional, precum și dezvoltarea unor metode de planificare pe mai multe niveluri și corectare a planurilor în situații dinamice.

Concluzie

Domeniile de aplicare ale sistemelor AI de astăzi acoperă multe domenii: diagnosticare medicală, interpretare a datelor geologice, cercetare științifică în chimie și biologie, știință militară, producție, finanțe și alte domenii. Cu toate acestea, în ciuda progreselor semnificative în AI, există încă un anumit decalaj între evoluțiile tehnice, software-ul AI și posibilitățile de aplicare practică mai largă a acestora, în special, în economie.

Cel mai indicativ sector care acumulează diverse zone problematice ale zonei economice este managementul unei întreprinderi industriale. Pe exemplul său, avantajele utilizării sistemelor AI atât pentru rezolvarea diferitelor probleme de subiect, cât și pentru gestionarea unui sistem integrat sistemul întreprinderii în ansamblu.

Există multe argumente în favoarea faptului că sistemele de inteligență artificială pot și ar trebui să devină o componentă esențială în tehnologia producției moderne. Principalele sunt:

- depășirea complexității (dificultățile de management apar atunci când

trebuie să faci o alegere dintre multe soluții posibile);

Managementul întreprinderii necesită organizarea unor cantități mari de informațiiție;

Cum să reduceți informațiile la nivelul necesar pentru acceptaresoluție (pierderea de informații provenind de la obiecte care funcționează în real
regimul de timp poate afecta semnificativ rezultatul);

Lipsa timpului pentru a lua o decizie (se manifestă ca complexitate
producție);

Problemă de coordonare (soluțiile trebuie coordonate cu alții
legături ale unui proces sau obiect);

- necesitatea păstrării și diseminării cunoștințelor unor ex foarte experimentațiperts primite de ei în procesul de mulți ani de muncă și mare practică
experienţă.

Problema extragerii cunoștințelor și păstrării și distribuirii acesteia este una dintre principalele probleme ale organizațiilor de astăzi.

Astfel, intelectualizarea sistemelor de management al informației și transformarea lor în sisteme informaționale inteligente pentru managementul cunoștințelor, suport decizional este cel mai semnificativ și important domeniu pentru economie și afaceri.

Lista surselor de informare

1. Chi Leung Patrick Hui, ISBN 978-953-307-188-6, 586 pagini, aprilie 2011

2. Editat de Karl Perusich, Cognitive Maps, ISBN 978-953-307-044-5, 140 pagini, ianuarie 2010

3. John Prager, Eric Brown, Anni Coden și Dragomir Radev. Întrebare-răspuns prin adnotare predictivă. In Proceedings, a 23-a Conferință internațională anuală ACM SIGIR privind cercetarea și dezvoltarea în recuperarea informațiilor, Atena, Grecia, iulie 2000

4. Knox Haggie, John Kingston, Choosing Your Knowledge Management Strategy, Scoala de Informatica, Universitatea din Edinburgh, Journal of Knowledge Management Practice, iunie 2003

5. Negnevitsky M. Inteligența artificială. Un ghid al sistemelor inteligente. Addison-Wesley, 2005.

6. Peter Jackson, Introducere în sistemele expert. - Ediția a 3-a, Hardbound - Addison Wesley Publishing Company, 1998-12-31 - 560p. - ISBN 0201876868

7. Abdikeev N.M. Proiectarea sistemelor inteligente în economie: manual. - M .: Examinare, 2004 .-- 528 p.

8. Abdikeev N.M. Sisteme informaţionale inteligente: Manual.- M .: KOS-INF, Rus. econom. acad., 2003 .-- 188 p.

9. Abdikeev N.M., Kiselev A.D. Managementul cunoștințelor corporative și reingineria afacerilor (Ed. de N. Abdikeev). Infra-M, Moscova, 2010

10. A.V. Gavrilov. Sisteme inteligente hibride: Monografie - Novosibirsk: Editura NSTU, 2002. - 142 p.

11. V.V. Bukhtoyarov „O metodă evolutivă de formare a unei soluții comune în colectivele rețelelor neuronale”, Jurnalul „Inteligenta artificială și luarea deciziilor” sub cap. editat de Academician S.V. Emelyanova, numărul 2010/03

12. G.V. Rybina, A.O. Deineko „Achiziția distribuită de cunoștințe pentru construcția automată a sistemelor expert integrate”, Jurnalul „Inteligenta artificială și luarea deciziilor” la cap. editat de Academician S.V. Emelyanova, numărul 2010/04

13. G.V. Rybina „Învățarea sistemelor experte integrate: unele rezultate și perspective”, Jurnalul „Inteligenta artificială și luarea deciziilor” sub cap. editat de Academician S.V. Emelyanova, numărul 2008/01

14.G.S. Osipov „Sisteme dinamice inteligente”, Jurnalul „Inteligenta artificială și luarea deciziilor” sub cap. editat de Academician S.V. Emelyanova, numărul 2008/01

15. Zolotov S.I. Sisteme informatice inteligente: manual / S.I. Zolotov - Voronej: Carte științifică, 2007. –140p.

16. Sisteme informatice inteligente: un manual pentru studenții instituțiilor de învățământ superior înscriși la specialitatea „Informatică aplicată în economie” / A. V. Andreychikov, O. N. Andreychikova. - M.: Finanțe și statistică, 2004 .-- 423 p.

17. Metode intelectuale de realizare a sistemelor informatice: manual / E.Yu. Golovin.- M .: Editura MEI, 2011. - 102s. - ISBN 978-5-383-00212-4

18.P.R. Varşavsky, A.P. Eremeev „Modelarea raționamentului bazat pe precedente în sistemele inteligente de sprijinire a deciziilor”, Jurnalul „Inteligenta artificială și luarea deciziilor” sub cap. editat de Academician S.V. Emelyanova, numărul 2009/02

19. Romanov V.P. Sisteme informaţionale inteligente în economie Manual / Ed. d. e. D., prof. N.P. Tikhomirova. - M .: Editura „Examen”, 2003. - 496 p.

20. Rybina G.V. „Teoria și practica construirii sistemelor expert integrate”, Recenzători: șef de departament. de Matematică Aplicată MPEI, Doctor în Științe Tehnice, prof. Eremeev A.P., șef de departament MGUPI, doctor în științe tehnice, prof. Petrov OM, Moscova: Editura Nauchtekhlitizdat, 2008. -485 p. - ISBN 978-5-93728-081-7

21. Townsend K., Focht D. Proiectare și implementare software a sistemelor expert pe computere personale: Per. din engleza V. A. Kondratenko, S. V. Trubitsyna. - M .: Finanţe şi statistică, 1990 .-- 320 p.

Sistem expert (ES) Este un IIS conceput pentru a rezolva probleme slab formalizate pe baza experienței experților în domeniul problemelor acumulată în baza de cunoștințe. Include o bază de cunoștințe cu un set de reguli și un mecanism de inferență și permite, pe baza faptelor furnizate de utilizator, să recunoască o situație, să facă un diagnostic, să formuleze o soluție sau să dea o recomandare pentru alegerea unei acțiuni.

Sistemele experte sunt concepute pentru a recrea experiența, cunoștințele profesioniștilor de nivel înalt și pentru a utiliza aceste cunoștințe în procesul de management. Ele sunt dezvoltate folosind aparatul matematic al logicii fuzzy pentru operarea în domenii înguste de aplicare, deoarece utilizarea lor necesită resurse informatice mari pentru procesarea și stocarea cunoștințelor. Construcția sistemelor expert se bazează pe o bază de cunoștințe, care se bazează pe modele de reprezentare a cunoștințelor. Datorită costurilor financiare și de timp mari din IP economică rusă, sistemele expert nu sunt utilizate pe scară largă.

Se crede că orice sistem expert este un sistem bazat pe cunoștințe, dar acesta din urmă nu este întotdeauna un sistem expert. În sistemele bazate pe cunoștințe, reguli(sau euristică) prin care să se rezolve Problemeîntr-un domeniu specific, stocat în bază de cunoștințe... Problemele sunt puse sistemului ca un set fapte descriind o anumită situație, iar sistemul, folosind baza de cunoștințe, încearcă să deducă o concluzie din aceste fapte.

Sistemul funcționează după cum urmează modul ciclic: selectarea (solicitarea) datelor sau rezultatelor analizei, observarea, interpretarea rezultatelor, asimilarea de noi informații, avansarea ipotezelor temporare folosind regulile și apoi selectarea următoarei porțiuni de date sau rezultate ale analizei. Acest proces continuă până când informațiile sunt suficiente pentru o concluzie finală.

Sistemele mai simple bazate pe cunoștințe funcționează într-un mod de dialog sau modul de consultare... După pornire, sistemul pune utilizatorului o serie de întrebări despre problema rezolvată, necesitând un răspuns „da” sau „nu”. Răspunsurile servesc la stabilirea faptelor asupra cărora se poate trage o concluzie finală.

În orice moment, sistemul conține trei tip de cunoaștere:

· cunoștințe statice structurate despre domeniul subiectului, după identificarea acestor cunoștințe, nu se mai modifică;

· cunoștințe dinamice structurate - cunoștințe variabile despre domeniul de studiu; sunt actualizate pe măsură ce sunt dezvăluite informații noi;

· cunoștințe de lucru aplicate unei sarcini sau unei consultări specifice.

Toate cunoștințele de mai sus sunt stocate în bază de cunoștințe... Pentru a o construi, trebuie să efectuați un sondaj asupra specialiștilor care sunt experți într-un anumit domeniu, apoi sistematizați, organizați și furnizați aceste cunoștințe cu indici, astfel încât ulterior să poată fi extrase cu ușurință din baza de cunoștințe.

Arhitectură de sistem expert... Arhitectura ES este prezentată în Fig. 7.2. Baza de cunoștințe (KB) reflectă cunoștințele experților. Cu toate acestea, nu orice expert este capabil să precizeze corect întreaga structură a cunoștințelor sale.

Experții sunt angajați în identificarea cunoștințelor expertului și prezentarea lor în baza de cunoștințe - ingineri de cunoștințe.

ES trebuie să aibă mecanism de achizitie a cunostintelor pentru introducerea cunoștințelor în bază și actualizarea ulterioară a acestora.

În cel mai simplu caz, este un editor inteligent care vă permite să introduceți unități de cunoștințe în bază, precum și să le analizați pentru coerență.

Domeniile de aplicare a sistemelor bazate pe cunoștințe pot fi grupate în mai multe clase principale: previziune, planificare, control și management, instruire.

Tehnologia de construire a sistemelor expert se numește ingineria cunoașterii... Acest proces necesită o formă specifică de interacțiune între creatorul sistemului expert, care se numește inginer de cunoaștere, și unul sau mai mulți experți într-un anumit domeniu. Inginerul de cunoștințe „extrage” de la experți procedurile, strategiile, regulile de bază pe care le folosesc pentru rezolvarea problemelor și construiește aceste cunoștințe în sistemul expert.

Orez. 7.2. Arhitectura ES

Rezultatul este un sistem care rezolvă problemele în același mod ca un expert uman.

Miezul sistemului expert este bază de cunoștințe, care se creează și se acumulează în procesul construcției sale. Cunoștințele sunt exprimate în mod explicit și organizate pentru a facilita luarea deciziilor. Acumularea și organizarea cunoștințelor este una dintre cele mai importante caracteristici ale unui sistem expert.

Cea mai utilă caracteristică a unui sistem expert este ceea ce folosește pentru a rezolva probleme. experiență de înaltă calitate... Această experiență poate reprezenta nivelul de gândire al celor mai calificați experți în domeniu, conducând la soluții creative, precise și eficiente. Această experiență de înaltă calitate, combinată cu capacitatea de a o aplica, face ca sistemul să fie rentabil și capabil să câștige recunoașterea pieței. Acest lucru este facilitat și de flexibilitate sisteme. Sistemul poate fi extins treptat în funcție de nevoile afacerii sau ale clientului. Acest lucru înseamnă că puteți investi fonduri relativ modeste la început și apoi puteți dezvolta capacitățile sistemului după cum este necesar.

O altă caracteristică utilă a sistemelor expert este capacitățile lor predictive. Un sistem expert poate funcționa ca model pentru rezolvarea unei probleme într-un anumit domeniu, oferind răspunsurile așteptate într-o anumită situație și arătând cum aceste răspunsuri se vor schimba în situații noi. Sistemul expert poate explica în detaliu modul în care noua situație a dus la schimbări. Acest lucru permite utilizatorului să evalueze posibilul impact al unor fapte sau informații noi și să înțeleagă modul în care acestea se raportează la decizie. În mod similar, utilizatorul poate evalua impactul noilor strategii sau proceduri asupra deciziei prin adăugarea de noi reguli sau modificarea celor existente.

O proprietate importantă a sistemelor expert este capacitatea de a le folosi pentru educația și formarea personalului... Sistemele experte pot fi dezvoltate cu așteptarea unui proces de învățare similar, deoarece conțin deja cunoștințele necesare și sunt capabile să explice procesul de raționament. Singurul lucru care mai rămâne de făcut este să adăugați software care să îndeplinească cerințele de ergonomie. interfataîntre cursant și sistemul expert. În plus, ar trebui incluse cunoștințele despre metodele de instruire și posibilul comportament al utilizatorului.

Deci, în prezent, ES este un instrument care îmbunătățește abilitățile intelectuale ale întregului sistem în ansamblu și îndeplinește următoarele sarcini:

1) consultanță pentru utilizatori neexperimentați (neprofesioniști),

2) ajutor în analiza diferitelor opțiuni pentru luarea unei decizii,

3) asistență în probleme legate de domenii conexe de activitate.

Cele mai larg și productiv ES sunt utilizate în afaceri, producție, medicină, mai puțin în știință.

Știința și tehnologia avansează cu salturi și limite. O descoperire deosebit de decisivă a fost făcută în ultimele decenii ale secolului nostru și se referă la tehnologiile informatice și sistemele informaționale.

Ce este IIS?

Provocarea pentru oamenii de știință în nanotehnologie și computer este de a crea un creier artificial care poate face față problemelor care necesită abordări ambigue și soluții creative. Este necesar să investim în inteligența artificială experiența, abilitățile, cunoștințele, chiar talentele pe care le posedă o personalitate umană. Și acest lucru nu este doar pentru ca computerul să poată face față unei sarcini specifice. La urma urmei, poate exista un număr infinit de situații similare sau similare. Și, după ce a „învățat” să facă față uneia, modelul computerizat le poate recunoaște și rezolva cu ușurință pe cele similare. Deoarece cunoștințele acestei persoane, capacitățile sale intelectuale, experiența de viață și multe altele vor fi încorporate în memoria ei.Un astfel de creier, fără îndoială, se va adapta pentru utilizare în alte domenii relevante.

Cel mai dificil moment într-o astfel de sarcină este tocmai acela de a simula o astfel de inteligență artificială, în care intuiția, conștiința, subconștiința ar fi prezente în concordanță cu cea umană. Astfel de inteligențe în programare sunt de obicei numite „sisteme informaționale inteligente” - IIS. Aceste sisteme ar trebui să comunice cu o persoană în limba sa maternă, umană. Iar traducerea automată trebuie să poată surprinde și procesa, „înțelege” toată bogăția, semantică și emoțională, a vorbirii umane.

Cu alte cuvinte, sistemele informaționale inteligente sunt modele computerizate ale capacităților inteligenței umane în domeniul căutării țintelor, informații actuale despre lumea din jurul nostru pentru obținerea de noi cunoștințe despre aceasta și rezolvarea unor probleme deosebit de importante pe baza lor. Și dacă primele sisteme informatice au funcționat pur și simplu pe baza cataloagelor și clasificatoarelor, rezolvând problemele corespunzătoare, dacă sistemele informatice automate se bazau pe bănci și baze de date, atunci IIS include în potențialul lor de lucru nu ceva, ci o bază de cunoștințe. Pe lângă colectarea, procesarea și stocarea informațiilor, sistemele de informații inteligente se ocupă de probleme și sarcini intelectuale.

Principalele direcții de lucru pe IIS

Lucrările privind inteligența artificială se desfășoară în trei direcții principale. Primul este de a dezvălui secretele gândirii umane, de a investiga structura creierului și mecanismele funcționării acestuia. Oamenii de știință lucrează la studierea datelor psihofiziologice ale unei persoane, elaborând ipoteze legate de funcționarea mecanismelor de diferite tipuri, luând în considerare introducerea lor în sistemele informaționale inteligente.

În a doua direcție, se lucrează la modelarea propriu-zisă, adică. crearea unui astfel de sistem folosind tehnologia computerizată etc. Reprezentanții săi sunt angajați în dezvoltarea de software, circuite algoritmice pentru tehnologia informatică de acest tip și clasă, care ar acționa ca un sistem inteligent și ar rezolva probleme la nivel uman, conștient și creativ.

Oamenii de știință care reprezintă așa-numita direcție a treia lucrează într-o zonă aparent absolut fantastică - crearea unor roboți umani specifici, în care funcțiile unui sistem informațional, i.e. inteligența artificială, ar fi combinată cu capacitățile inteligenței umane naturale.

După cum notează teoreticienii și practicienii implicați, cea mai dificilă etapă în cercetare și modele construite este găsirea și implementarea combinației optime posibile a fuziunii inteligenței umane și mașinilor, pentru a organiza un dialog adecvat între sistem și persoană în termeni lingvistici. .

1. Introducere
2. Capitolul I. Istoria dezvoltării sistemelor informaţionale inteligente
3. Capitolul II. Sisteme inteligente și tipurile acestora
4. Capitolul III. Sisteme de informare inteligente (IIS) suport pentru decizii
5. Capitolul IV. Dezvoltarea și proiectarea IIS

5.1 §1. Etapele proiectării IIS
5.2 §2. Etapele existenței IIS
5.3 §3. Instrumente de proiectare IIS

6. Capitolul V. Arhitectura IIS

6.1 §1. Structura sistemului inteligent
6.2 §2. Structura bazei de cunoștințe și interacțiunea cu alte componente ale sistemului inteligent
6.3 §3. Modele de reprezentare a cunoștințelor în IIS
6.4 §4. Procesarea cunoștințelor și producția de soluții în IIS
6.5 §5. Interfață inteligentă

7. Capitolul VI. Clasificarea IIS

7.1 §1. Sistem expert
7.2 §2. Sisteme intrebare-raspuns

8. Capitolul VII. Perspective pentru dezvoltarea IIS în managementul cunoștințelor

9. Concluzie

10. Lista surselor de informare

Introducere

Scopul principal al sistemelor informaționale din economie este furnizarea în timp util a informațiilor necesare factorilor de decizie pentru a lua decizii adecvate și eficiente în gestionarea proceselor, resurselor, tranzacțiilor financiare, personalului sau organizației în ansamblu. Cu toate acestea, în procesul de dezvoltare a tehnologiilor informaționale, cercetarea operațiunilor și a tehnologiilor de modelare, precum și odată cu creșterea consumatorilor de informații și suport analitic al factorilor de decizie înșiși, necesitatea unor sisteme care să reprezinte nu numai informații, ci și să efectueze unele preliminare. analiza acestuia, capabilă să ofere câteva sfaturi și recomandări, să anticipeze evoluția situațiilor, să selecteze cele mai promițătoare alternative la soluții, i.e. sprijină deciziile factorilor de decizie, asumând o parte semnificativă a operațiunilor de rutină, precum și funcții de analiză și evaluări preliminare.

E. Feigenbaum, E. Shortlif: Sistem expert MICINĂ

Centrul de cercetare Stanford: Sistem expert PROSPECTOR

A. Colmeroe, R. Kowalski et al. (Franţa): limbaj de programare logic PROLOG.

Revigorarea rețelelor neuronale artificiale (din 1965 încoace)

J. Hopfield: Neural Networks and Physical Networks with Emergent Collective Computing Capabilities, 1982.

T. Kohonen: Hărți auto-organizate din punct de vedere topologic corect, 1982.

D. Rumelhart și D. McCleland: Procesare paralelă distribuită, 1986.

Calcul evolutiv (începutul anilor 1970 și mai departe)

I. Rechenberg: Strategii evolutive - optimizarea sistemelor tehnice după principiile informaţiei biologice, 1973.

J. Holland: Adaptation in Natural and Artificial Systems, 1975.

J. Koza: Programarea genetică: programarea computerelor prin selecție naturală, 1992.

D. Fogel: Evolutionary Computing - The Direction of New Philosophy in Machine Intelligence, 1995.

Seturi fuzzy și logica fuzzy (începând cu mijlocul anilor 1960)

L. Zadeh: Seturi fuzzy, 1965.

L. Zadeh: Algoritmi fuzzy, 1969.

E. Mamdani: Aplicarea logicii fuzzy în raționamentul aproximativ folosind sinteza lingvistică, 1977.

M. Sugeno: Fuzzy Inference (Algoritmul Takagi-Sugeno), 1985

Calcularea cu cuvinte (sfârșitul anilor 1980 și mai departe)

A. Neigotsa: Expert systems and non-lecture systems, 1985.

B. Kosko: Neural Networks and Fuzzy Systems, 1992.

B. Kosko: Fuzzy Thinking, 1993.

R. Yager și L. Zadeh: Seturi fuzzy, rețele neuronale și soft computing, 1994.

B. Cosco: Fuzzy Engineering, 1996.

L. Zadeh: Computing with Words, 1996.

Astfel, din punct de vedere istoric, dezvoltarea în domeniul AI a fost realizată în două direcții principale:

• prima direcție este asociată cu încercările de a dezvolta mașini inteligente prin modelarea prototipului lor biologic - creierul uman. Acum această direcție revine pe baza dezvoltării hardware-ului și software-ului modern (microcipuri bazate pe logica fuzzy, sisteme multiprocesoare distribuite, sisteme multi-agent, soft computing, algoritmi genetici și rețele neuronale etc.).
• a doua direcție este asociată cu dezvoltarea de metode, tehnici, dispozitive specializate și programe pentru calculatoare care oferă soluția unor probleme matematice și logice complexe care permit automatizarea acțiunilor umane intelectuale individuale (sisteme bazate pe cunoștințe, sisteme expert, sisteme inteligente aplicate). ..

Aceste două direcții, așa cum ar fi, determină programul minim și programul maxim, între care se află aria de cercetare și dezvoltare de astăzi a sistemelor AI. Lucrările privind dezvoltarea software-ului și hardware-ului AI sunt evidențiate într-o zonă separată.

Capitolul II. Sisteme inteligente și tipurile acestora

Un sistem inteligent (IS, sistem inteligent) este un sistem tehnic sau software capabil să rezolve probleme considerate în mod tradițional creative, aparținând unui anumit domeniu, cunoștințele despre care sunt stocate în memoria unui astfel de sistem. Structura unui sistem inteligent include trei blocuri principale - o bază de cunoștințe, un rezolvator și o interfață inteligentă.

Este strâns legat de întregul proces de dezvoltare a sistemelor informaționale inteligente în general și ES în special Ingineria cunoașterii... Este o metodologie ES care cuprinde metode de extragere, analiză și exprimare în reguli de cunoștințe de specialitate pentru a forma o bază de reguli. Dezvoltarea ES a creat ingineria cunoașterii - procesul de construire a sistemelor inteligente. Este o colecție de modele, metode și tehnici care vizează crearea de sisteme care sunt concepute pentru a rezolva probleme folosind cunoștințe. Elementele principale ale inginerii cunoașterii sunt utilizarea operațiilor precum generalizarea, generarea de ipoteze pentru inferențe inductive, pregătirea de noi programe de către programele de calculator înseși etc. Cuvântul inginerie în engleză înseamnă prelucrare pricepută a obiectelor, invenție sau crearea a ceva. Prin urmare, munca de echipare a programelor cu cunoștințe speciale de specialitate din zona problemei, efectuată de o persoană sau de un computer (program), poate fi numită și ingineria cunoașterii.

Tipuri de sisteme inteligente:

Sistemele computaționale și logice includ sisteme capabile să rezolve sarcini manageriale și de proiectare bazate pe descrieri declarative ale condițiilor. În acest caz, utilizatorul are capacitatea de a controla toate etapele procesului de calcul în modul de dialog. sistemele sunt capabile să construiască automat un model matematic al problemei și să sintetizeze automat algoritmi de calcul în funcție de formularea problemei. Aceste proprietăți sunt realizate datorită prezenței unei baze de cunoștințe sub forma unei rețele semantice funcționale și a componentelor de inferență și planificare deductivă.

Un sistem reflex este un sistem care generează răspunsuri generate de algoritmi speciali la diferite combinații de influențe de intrare. Algoritmul oferă alegerea celui mai probabil răspuns al unui sistem inteligent la un set de acțiuni de intrare, cu probabilități cunoscute de alegere a unui răspuns la fiecare acțiune de intrare, precum și la unele combinații de acțiuni de intrare. Această sarcină este similară cu cea efectuată de perceptroni. Perceptron, sau perceptron (perceptron) - un model matematic și computerizat al percepției informațiilor de către creier (modelul cibernetic al creierului), propus de Frank Rosenblatt în 1957 și implementat sub forma unei mașini electronice „Mark-1” în 1960. Perceptron a devenit unul dintre primele modele de rețele neuronale, iar „Mark-1” – primul neurocomputer din lume. În ciuda simplității sale, perceptronul este capabil să învețe și să rezolve probleme destul de complexe. Sistemele software Reflex sunt aplicate la următoarele sarcini: acces în limbaj natural la baze de date; evaluarea propunerilor de investiții; evaluarea și prognozarea impactului substanțelor nocive asupra sănătății populației; prezicerea rezultatelor jocurilor sportive.

3. Sistem informatic inteligent

Un sistem informatic inteligent (IIS, sistem inteligent) este un sistem bazat pe cunoștințe.

4 . Sistem inteligent hibrid

Este obișnuit să înțelegem un sistem inteligent hibrid ca un sistem în care mai mult de o metodă de imitare a activității intelectuale umane este folosită pentru a rezolva o problemă. Astfel, GIS este o combinație de:

• modele analitice
• sistem expert
• rețele neuronale artificiale
• sisteme neclare
• algoritmi genetici
• modele statistice de simulare

Direcția interdisciplinară „sisteme inteligente hibride” reunește oameni de știință și specialiști care studiază aplicabilitatea nu a uneia, ci a mai multor metode, de obicei din clase diferite, pentru rezolvarea problemelor de control și proiectare.

Capitolul III. Sisteme de informare inteligente (IIS) suport pentru decizii

IIS este un complex de instrumente software, lingvistice și logico-matematice pentru implementarea sarcinii principale: suport pentru activitățile umane, de exemplu, capacitatea de a căuta informații în modul avansat de dialog în limbaj natural.

IIS este un sistem informatic format din 5 componente principale care interacționează: un subsistem limbaj (un mecanism pentru asigurarea comunicării între un utilizator și alte componente ale unui IDS), subsisteme informaționale (instrumente de stocare și procesare a datelor), un subsistem de management al cunoștințelor (stocarea cunoștințelor). despre o zonă problematică, cum ar fi proceduri, euristică și reguli și mijloace de procesare a cunoștințelor), subsisteme de gestionare a modelelor și subsisteme de procesare și rezolvare a problemelor (o legătură între alte subsisteme).

Clasificarea sarcinilor rezolvate de IMS:

• Interpretarea datelor. Aceasta este una dintre sarcinile tradiționale pentru sistemele expert. Interpretarea se referă la procesul de determinare a semnificației datelor, ale căror rezultate trebuie să fie consecvente și corecte. De obicei, este avută în vedere analiza multivariată a datelor.
• Diagnosticare. Diagnosticarea se referă la procesul de corelare a unui obiect cu o anumită clasă de obiecte și/sau de detectare a unei defecțiuni într-un anumit sistem. O defecțiune este o abatere de la normă. Această interpretare face posibilă luarea în considerare, dintr-un punct de vedere teoretic unificat, a defecțiunilor echipamentelor în sistemele tehnice, a bolilor organismelor vii și a tot felul de anomalii naturale. O caracteristică specifică importantă aici este necesitatea de a înțelege structura funcțională („anatomia”) a sistemului de diagnostic.
• Monitorizarea. Sarcina principală a monitorizării este interpretarea continuă a datelor în timp real și semnalarea că anumiți parametri sunt în afara limitelor permise. Principalele probleme sunt „sărirea” situației alarmante și sarcina inversă a declanșării „false”. Complexitatea acestor probleme constă în estomparea simptomelor situațiilor de anxietate și necesitatea de a lua în considerare contextul temporal.
• Proiecta. Proiectarea constă în pregătirea caietului de sarcini pentru crearea de „obiecte” cu proprietăți predefinite. Caietul de sarcini înseamnă întregul set de documente necesare — un desen, o notă explicativă etc. Principalele probleme aici sunt obținerea unei descrieri structurale clare a cunoștințelor despre un obiect și problema „amprentei”. Pentru a organiza designul eficient și, într-o măsură și mai mare, reproiectarea, este necesar să se formeze nu numai deciziile de proiectare în sine, ci și motivele adoptării lor. Astfel, în sarcinile de proiectare, două procese principale sunt strâns legate, efectuate în cadrul ES-ului corespunzător: procesul de inferență a soluției și procesul de explicație.
• Prognoza. Prognoza vă permite să preziceți consecințele anumitor evenimente sau fenomene pe baza analizei datelor disponibile. Sistemele predictive deduc în mod logic consecințe probabile din situații date. Într-un sistem predictiv, se utilizează de obicei un model dinamic parametric, în care valorile parametrilor sunt „adaptate” la o situație dată. Consecințele derivate din acest model formează baza pentru predicții cu estimări probabilistice.
• Planificare. Planificarea se referă la găsirea de planuri de acțiune legate de obiecte care sunt capabile să îndeplinească anumite funcții. În astfel de ES se folosesc modele de comportament ale obiectelor reale pentru a deduce logic consecințele activității planificate.
• Educaţie. Învățarea se referă la utilizarea unui computer pentru a preda o disciplină sau o materie. Sistemele de învățare diagnostichează erorile în studiul unei discipline folosind un computer și sugerează deciziile corecte. Ei acumulează cunoștințe despre ipoteticul „elev” și despre greșelile sale caracteristice, apoi în munca lor sunt capabili să diagnosticheze slăbiciunile cunoștințelor elevilor și să găsească mijloace adecvate pentru a le elimina. În plus, ei planifică actul de comunicare cu elevul, în funcție de progresul elevului, pentru a transfera cunoștințe.

Rețelele neuronale nu sunt programate în sensul obișnuit al cuvântului, sunt antrenate. Învățarea este unul dintre principalele avantaje ale rețelelor neuronale față de algoritmii tradiționali. Din punct de vedere tehnic, antrenamentul constă în găsirea coeficienților conexiunilor dintre neuroni. În timpul antrenamentului, rețeaua neuronală este capabilă să identifice dependențe complexe între datele de intrare și ieșire, precum și să efectueze generalizări. Aceasta înseamnă că, în cazul unui antrenament de succes, rețeaua va putea returna rezultatul corect pe baza datelor care au fost absente în setul de antrenament.

Control. Managementul este înțeles ca o funcție a unui sistem organizat care susține un anumit mod de activitate. ES de acest fel controlează comportamentul sistemelor complexe în conformitate cu specificațiile date.

Sprijin decizional. Suportul decizional este un set de proceduri care oferă decidentului informațiile și îndrumările necesare pentru a facilita procesul decizional. Aceste ES ajută specialiștii să aleagă și/sau să formeze alternativa dorită dintr-o varietate de alegeri atunci când iau decizii responsabile.

În general, toate sistemele bazate pe cunoștințe pot fi subdivizate în sisteme care rezolvă probleme de analiză și sisteme care rezolvă probleme de sinteză. Principala diferență între problemele de analiză și problemele de sinteză este că, dacă în problemele de analiză setul de soluții poate fi enumerat și inclus în sistem, atunci în problemele de sinteză setul de soluții este potențial nelimitat și este construit din soluții de componente. sau subprobleme. Sarcinile analizei sunt: ​​interpretarea datelor, diagnosticare, suport decizional; sarcinile de sinteză includ proiectare, planificare, management. Combinate: instruire, monitorizare, prognoză.

Capitolul IV. Dezvoltarea și proiectarea IIS

§1. Etapele proiectării IIS

Există opinii diferite cu privire la definirea numărului de etape în proiectarea sistemelor inteligente. Depinde de mulți factori, în special de natura funcțiilor viitorului sistem intelectual, zona de utilizare, disponibilitatea instrumentelor dezvoltate etc.

Procesul de construire a sistemelor AI poate fi împărțit în cinci etape (vezi Figura 4.1.1.).

Figura 4.1.1. Etapele proiectării AI

1. Identificarea definirii sarcinilor si identificarea caracteristicilor acestora. Se elaborează o atribuire tehnică pentru sistemul care se proiectează, cercul de utilizatori ai sistemului este limitat.
2. Evidențierea principalelor concepte ale domeniului de studiu care reflectă cunoștințele cercului de experți. Inginerul de cunoștințe definește mijloacele formale de reprezentare a cunoștințelor și procedurile de obținere a soluțiilor. Concepte dezvăluite și formulate care determină alegerea unei scheme caracteristice de reprezentare a cunoștințelor expertului în materie. Principala sursă de cunoștințe despre domeniul problemei este un expert uman, cărți, descrieri tehnologice, instrucțiuni, documente, metode de brainstorming, metode de completare automată a bazei de cunoștințe. O altă sursă importantă de cunoștințe este Internetul (căutarea tradițională a informațiilor și cunoștințelor necesare, precum și agenți inteligenți (roboți software)).
3. Alegerea formalismului de reprezentare a cunoștințelor și definirea mecanismului de inferență decizională. Structura dezvoltată pentru reprezentarea cunoștințelor stă la baza implementării etapei următoare - construcția directă a bazei de cunoștințe a sistemului.
4. Alegerea sau dezvoltarea unui limbaj pentru reprezentarea cunoștințelor. După ce regulile sunt formulate și prezentate în limba de prezentare aleasă, acestea sunt introduse de către inginerul de cunoștințe în baza de cunoștințe.
5. Testarea sistemului prin rezolvarea unor probleme specifice de testare.

Etapele creării sistemelor inteligente nu sunt clar definite și reglementate în detaliu. Este dificil de trasat o linie temporală și semnificativă între unele dintre ele. Într-o oarecare măsură, ele descriu aproximativ procesul de proiectare a sistemelor inteligente.

§2. Etapele existenței IIS

Etapele de existență a sistemelor inteligente (sau ciclurile de viață ale unui sistem) corespund nivelului de pregătire a sistemului, caracterului complet al funcționalității acestuia, implementat de trusa de instrumente. Se determină următoarele etape ale existenţei sistemelor inteligente: prototip demonstrativ; prototip de cercetare; prototip de lucru; sistem industrial; sistem comercial.

Prototip demonstrativ- aceasta este starea de dezvoltare a sistemului, când rezolvă unele dintre sarcinile problematice. Atunci când dezvoltă un prototip demonstrativ, ei se străduiesc să atingă obiective contradictorii: pe de o parte, un sistem aflat în stadiul unui prototip demonstrativ trebuie să îndeplinească sarcini care ar caracteriza mai degrabă pe deplin capacitățile sale, pe de altă parte, se străduiesc să treacă prin această etapă. cât mai repede posibil. Munca unui prototip demonstrativ poate fi considerată satisfăcătoare dacă funcționează cu un set minim de reguli suficient pentru a rezolva unele probleme. Timpul de dezvoltare variază de la două luni la un an.

Prototip de cercetare proiectat pentru 1,5 ... 2 ani. În această etapă de dezvoltare a sistemului, baza sa de cunoștințe conține deja câteva sute de reguli care descriu în mod adecvat domeniul de studiu.

Prototip de lucru Sistemele inteligente efectuează o concluzie de înaltă calitate a soluțiilor pe spațiul extins al regulilor, care a ajuns la ordinul a 1000. Prin urmare, pentru a afișa soluții complexe, am nevoie de resurse mari de timp și memorie.

Sisteme industriale oferă un nivel ridicat de calitate în rezolvarea problemelor din domeniul subiectului cu reduceri semnificative ale timpului de rezolvare și memoriei necesare. Numărul de reguli nu crește la fel de mult decât în ​​comparație cu prototipul actual. În această etapă, prototipul actual este transformat prin extinderea numărului de reguli și îmbunătățirea sistemelor inteligente bazate pe utilizarea unor instrumente mai eficiente. Aceasta durează aproximativ 3 ... 4 ani.

Sistem comercial este destinat în principal vânzării. Este fie orientat spre problemă, fie independent de problemă.

§3. Instrumente de proiectare IIS

În ciuda existenței multor abordări atât pentru înțelegerea sarcinilor AI, cât și pentru crearea de sisteme informaționale inteligente, există două abordări principale pentru dezvoltarea AI:

• de sus în jos (Top-Down AI), semiotică - crearea de sisteme expert, baze de cunoștințe și sisteme de inferență logică care imită procese mentale de nivel înalt: gândire, raționament, vorbire, emoții, creativitate etc.;
• ascendent (Bottom-Up AI), biologic - studiul rețelelor neuronale și al calculelor evolutive care simulează un comportament inteligent bazat pe elemente biologice, precum și crearea unor sisteme de calcul adecvate, cum ar fi un neurocomputer sau un biocomputer.

Limbaje logice (Prolog, Lisp etc.) au fost folosite anterior pentru a dezvolta IMS, iar acum sunt folosite diverse limbaje procedurale. Suportul logic și matematic este dezvoltat atât pentru modulele sistemelor în sine, cât și pentru andocarea acestor module. Cu toate acestea, în domeniul lingvisticii, există și multe probleme, de exemplu, pentru a asigura funcționarea sistemului în modul de dialog cu utilizatorul într-un limbaj natural, este necesar să se pună în sistem algoritmi pentru formalizarea naturalului. limbaj, iar această sarcină s-a dovedit a fi mult mai complicată decât era asumată în zorii dezvoltării sistemelor inteligente. O altă problemă este variabilitatea constantă a limbajului, care trebuie să se reflecte neapărat în sistemele de inteligență artificială.

Proiectarea și crearea unui sistem expert necesitau anterior 20-30 de ani persoană. În prezent, există o serie de instrumente disponibile pentru a accelera crearea. Aceste instrumente se numesc instrumentale sau instrumentale. Utilizarea instrumentelor pentru dezvoltarea sistemelor expert reduce timpul petrecut pentru crearea acestora de 3-5 ori.

Un instrument de dezvoltare a sistemelor expert este un limbaj de programare folosit de un inginer de cunoștințe și/sau programator pentru a construi un sistem expert. Acest instrument diferă de limbajele de programare convenționale prin faptul că oferă modalități convenabile de a reprezenta concepte complexe de nivel înalt.

După scopul și funcționalitatea lor, instrumentele utilizate în proiectarea sistemelor expert pot fi împărțite în patru mari categorii:

1 . Piele de sisteme expert

Sistemele de acest tip sunt create, de regulă, pe baza unui tip de sistem expert, care s-a dovedit destul de bine în practică. Când se creează un shell, componentele care sunt prea specifice pentru domeniul de aplicare directă a acestuia sunt eliminate din sistemul prototip, iar cele care nu au o specializare îngustă sunt lăsate. Un exemplu este sistemul EMYCIN, creat pe baza sistemului MYCIN care a trecut de o lungă „run-in”. EMYCIN stochează interpretul și toate structurile de date de bază - tabele de cunoștințe și mecanismul de indexare asociat. Shell-ul este completat cu un limbaj special care îmbunătățește lizibilitatea programelor și mijloace de susținere a unei biblioteci de cazuri tipice și concluzii făcute cu privire la acestea de un sistem expert.

2. Limbaje de programare de nivel înalt

Instrumentele din această categorie scutesc dezvoltatorul de a trebui să se aprofundeze în detaliile implementării sistemului - modalități de alocare eficientă a memoriei, proceduri de nivel scăzut pentru accesarea și manipularea datelor. Unul dintre cei mai faimoși reprezentanți ai unor astfel de limbi este OPS5. Acest limbaj este ușor de învățat și oferă programatorului mult mai multe posibilități decât shell-urile specializate tipice. Trebuie remarcat faptul că majoritatea acestor limbi nu au fost niciodată aduse la nivelul unui produs comercial și sunt mai degrabă un instrument pentru cercetători. Programarea se desfășoară în limbaje obișnuite (Pascal, C etc.), programare în limbaje specializate utilizate în sarcini de inteligență artificială (LISP, FRL, SmallTalk etc.), etc.

3. Un mediu de programare care acceptă mai multe paradigme

Instrumentele din această categorie includ mai multe module software, care permit utilizatorului să combine diferite stiluri de programare în procesul de dezvoltare a unui sistem expert. Printre primele proiecte de acest gen a fost și programul de cercetare LOOP, care a permis utilizarea a două tipuri de reprezentare a cunoștințelor: bazată pe reguli și orientată pe obiecte. Pe baza acestei arhitecturi au fost dezvoltate mai multe produse software comerciale în a doua jumătate a anilor 1980, dintre care KEE, KnowledgeCraft și ART au fost cele mai cunoscute. Aceste programe oferă multe opțiuni la dispoziția utilizatorului calificat și pentru dezvoltări ulterioare precum CARRA și CLIPS și au devenit un fel de standard. Cu toate acestea, aceste limbi nu sunt la fel de ușor de stăpânit de către programatori ca limbile din categoria anterioară.

4 . Module suplimentare

Capitolul V. Arhitectura IIS

§1. Structura sistemului inteligent

În funcție de natura funcțiilor îndeplinite și de domeniul de acțiune, experții îndeplinesc mai multe sarcini tipice, care sunt tipice: interpretare, planificare, management, proiectare, prognoză, dispecerare și monitorizare, diagnosticare. Principalul lucru este că expertul este capabil să-și actualizeze cunoștințele (adică să învețe), să explice acțiuni, să justifice decizii, să prezică evoluția situațiilor, să interacționeze activ cu mediul extern și să perceapă informații despre o altă persoană. natura, pentru a obține decizii bazate pe cunoștințele existente. , stochează informațiile necesare și datele faptice în memorie. Analiza sarcinilor va servi drept ghid în luarea în considerare a arhitecturii bazate pe cunoștințe a IP.

Astfel, pentru a crea un sistem care să funcționeze cu cunoștințe și să fie capabil într-o oarecare măsură să înlocuiască un expert sau să-l ajute să ia decizii în managementul producției, este necesar să ne străduim să punem în arhitectura sistemului nostru posibilitățile de implementare. a acestor functii.

Fig.5.1.1 .. prezintă structura generalizată și componentele unui sistem inteligent, precum și mediul acestuia.

Figura 5.1.1. Structura sistemelor inteligente.

§2. Structura bazei de cunoștințe și interacțiunea cu alte componente ale sistemului inteligent

Din punct de vedere structural, o bază de cunoștințe poate fi organizată sub forma a două subbaze principale - o bază de reguli (BP) și o bază de date (DB).

Baza de date stochează informații concrete despre sarcinile rezolvate la obiect și date care se referă la domeniul specificat. BP determină relația dintre elementele de date stocate în baza de date, pe baza modelelor de reprezentare a cunoștințelor despre domeniul de studiu, precum și a modalităților de activare a acestor cunoștințe.

Astfel, într-un mod foarte general, putem vorbi despre două niveluri de reprezentare a cunoștințelor: primul nivel - informația faptică, datele; al doilea nivel - descrieri, relații, reguli și proceduri care determină modalitatea de manipulare a informațiilor faptice.

Pe lângă cunoștințele despre domeniul subiectului, în KB ar trebui stocate și alte tipuri de cunoștințe: modelul lumii sistemului, cunoștințele despre utilizator, obiectivele etc. Aceste cunoștințe sunt conținute în principal la al doilea nivel de reprezentare sub formă de blocuri sau părți organice ale BP.

În multe sisteme inteligente, în special în cele care funcționează în timp real, este implementat nivelul de meta-cunoaștere, care este necesar pentru a asigura raționalizarea proceselor de operare cu cunoștințe în baza de cunoștințe, pentru a reduce aria de găsire a unei soluții, și reduce timpul de procesare a informațiilor. Meta-cunoașterea este cunoașterea sistemului despre sine, adică cunoașterea despre cunoștințele sale, structura sa și principiile funcționării sale. Pe baza acestor cunoștințe la nivel de metacunoaștere (în blocul de metacunoaștere), dintre setul disponibil de strategii de căutare, se determină cea mai eficientă.

Fig.5.2.1. Structura KB generalizată

Cu o variantă a structurii KB, prezentată în Fig.5.2.1., Funcția interpretorului de reguli, care implementează rațional mecanismul de derivare a deciziilor, realizează în esență nivelul superior al KB - meta-cunoștințe (sau un bloc de meta-cunoaștere).

Trebuie subliniat faptul că există diverse opțiuni atât pentru organizarea bazei de cunoștințe în sine, cât și pentru interacțiunea bazei de cunoștințe cu alte componente IS.

Figura 5.2.2. este prezentat un fragment al sistemului AI, care reflectă interacțiunea bazei de cunoștințe cu modulele principale ale sistemului în căutarea și generarea de cunoștințe. Baza de cunoștințe conține atât informații faptice, cât și reguli, sau euristice.

Fig.5.2.2. Structura interacțiunii bazei de cunoștințe cu principalele componente ale IIS pentru sistemele de producție

Concluzia unei soluții sau generarea de noi reguli și cunoștințe se realizează folosind un bloc de inferență care interacționează cu metanivelul KB atunci când interpretează regulile și datele KB.

Rezolvarea problemei și lucrul cu reguli și date se realizează într-un bloc special - zona de lucru. În zona de lucru sunt prezentate descrieri ale cererii - sau ale problemei de rezolvat, date și reguli din baza de cunoștințe, proceduri sau strategia mecanismului de inferență.

La utilizarea celor mai răspândite sisteme de producție în prezent de reprezentare a cunoștințelor este posibilă o variantă a organizării structurale și funcționale a principalelor componente ale sistemului, prezentată în Fig.5.2.3.

Figura 5.2.3. Structura interacțiunii bazei de cunoștințe cu principalele componente ale SI pentru sistemele de producție.

§3. Modele de reprezentare a cunoștințelor în IIS

O problemă importantă atunci când se creează o bază de cunoștințe este alegerea modului de reprezentare a cunoștințelor. Scopul reprezentării cunoștințelor- organizarea informatiilor necesare in asa forma incat programul de inteligenta artificiala sa aiba acces usor la acestea pentru luarea deciziilor, planificarea, recunoasterea obiectelor si situatiilor, analiza scenelor, tragerea concluziilor si alte functii cognitive.

Reprezentarea cunoștințelor în sistemele inteligente se bazează pe:

1. Cadre și rețele semantice
2. Modele de producție și logice
3. Modele de reprezentare și formalizare a cunoștințelor fuzzy
4. Rețele neuronale.

Tehnologia pentru construirea unui SE (vezi Fig. 6.1.2.) este adesea numită ingineria cunoașterii.

Fig. 6.1.2. Procesul de construire a unui ES.

Caracteristicile ES sunt:

• limitarea clară a domeniului subiectului;
• capacitatea de a lua decizii în fața incertitudinii;
• capacitatea de a explica cursul și rezultatul unei decizii într-un mod ușor de înțeles de utilizator;
• separarea clară a cunoștințelor declarative și procedurale (fapte și mecanisme de inferență);
• capacitatea de a completa baza de cunoștințe, capacitatea de a construi sistemul;
• rezultatul este emis sub forma unor recomandări specifice pentru acțiuni în situația actuală, care nu sunt inferioare deciziilor celor mai buni specialiști;
• orientare spre rezolvarea sarcinilor neformalizate (metoda de formalizare este încă necunoscută);
• algoritmul de soluție nu este descris în prealabil, ci este construit de sistemul expert însuși;
• nicio garanție a găsirii unei soluții optime cu capacitatea de a învăța din greșeli.

Clasificări ES

• Sisteme experte propriu-zise
• Bannere interactive (web + ES)
  Bannerele interactive vorbitoare sunt sisteme informatice sau experte destinate plasării pe resurse externe.

Avantajele bannerelor interactive:

• Atractivitate sporită pentru consumatori - vreau să vorbesc cu un banner neobișnuit.
• Contact continuu cu utilizatorul. Timpul mediu de comunicare cu un banner poate fi de aproximativ 3 minute.
• Bannerul poate conduce diferiți interlocutori către diferite pagini, în conformitate cu solicitările și nevoile acestora.

Clasificarea ES prin conexiune cu timp real:

• ES statice sunt ES care rezolvă probleme în condiții de date și cunoștințe inițiale care nu se modifică în timp.
• ES cvasidinamic interpretează o situație care se modifică cu un anumit interval de timp fix.
• Dynamic ES sunt ES care rezolvă probleme în condiții de date și cunoștințe inițiale care variază în timp.

Structura ES:

Figura 6.1.3. mai jos este structura canonică a unui sistem expert de tip dinamic:

Fig. 6.1.3. Structura ES

• motor de inferență, numit și interpret, rezolvator;
• memorie de lucru (RP), numită și bază de date de lucru (DB);
• baza de cunostinte (KB);
• un subsistem pentru dobândirea și completarea cunoștințelor;
• subsistem explicație;
• subsistem dialog;
• subsistem de interacțiune cu lumea exterioară.

Motorul de inferență (ML) este conceput pentru a obține fapte noi bazate pe compararea datelor inițiale din memoria de lucru și cunoștințe din baza de cunoștințe. Motorul de inferență implementează algoritmi pentru inferența înainte și/sau înapoi și poate fi reprezentat formal printr-un patru:

Mecanismul de inferență este creierul ES, se mai numește și structură de control sau interpretul regulilor (în ES, bazat pe reguli).

Această componentă este practic un program de calculator care oferă o metodologie de raționament asupra informațiilor din baza de cunoștințe și din spațiul de lucru și de formulare a concluziilor. Acesta oferă îndrumări cu privire la modul de utilizare a cunoștințelor sistemului pentru a implementa un contract de închiriere (programarea activităților planificate într-un spațiu de lucru) care organizează și controlează pașii parcurși pentru rezolvarea unei probleme.

Motorul de inferență are două elemente principale:

• Un interpret care execută pozițiile de închiriere selectate utilizând regulile adecvate ale bazei de cunoștințe.
• Scheduler care sprijină gestionarea agendei. Evaluează rezultatele regulilor de inferență utilizate în lumina priorităților acestora sau a altor criterii din agendă.

Memoria de lucru este concepută pentru a stoca faptele inițiale și intermediare ale problemei care se rezolvă în momentul actual. De regulă, se află în memoria RAM a computerului și reflectă starea actuală a domeniului subiectului sub formă de fapte cu coeficienți de încredere (CO) în adevărul acestor fapte.

Valoarea întregului sistem expert ca produs finit este determinată în proporție de 90% de calitatea bazei de cunoștințe create. De regulă, baza de cunoștințe a ES conține fapte (informații statice despre domeniul subiectului) și reguli - un set de instrucțiuni, care pot fi aplicate faptelor cunoscute pentru a obține fapte noi. În cadrul modelului logic, bazele de date și bazele de cunoștințe sunt scrise în limbajul Prolog - limbajul și sistemul de programare logică) folosind limbajul predicat pentru a descrie fapte și reguli de inferență care exprimă regulile de definire a conceptelor, pentru a descrie informații generalizate și specifice. , precum și interogări specifice și generalizate către baze de date și baze de cunoștințe.

Subsistemul pentru dobândirea și completarea cunoștințelor automatizează procesul de umplere a unui sistem expert cu cunoștințe, realizat de un utilizator expert, și de adaptare a bazei de cunoștințe a sistemului la condițiile de funcționare a acestuia. Adaptarea sistemului expert la schimbările din domeniu se realizează prin înlocuirea regulilor sau faptelor din baza de cunoștințe.

Subsistemul explicație explică modul în care sistemul a primit o soluție la problemă (sau de ce nu a primit o soluție) și ce cunoștințe a folosit, ceea ce facilitează testarea sistemului de către un expert și crește încrederea utilizatorului în rezultat. Abilitatea de a explica acțiunile cuiva este una dintre cele mai importante proprietăți ale unui sistem expert, deoarece:

• creșterea încrederii utilizatorilor în rezultatele obținute;
• depanarea sistemului este facilitată;
• sunt create condiții pentru ca utilizatorii să descopere noi modele ale domeniului;
• explicaţia concluziilor obţinute poate servi ca mijloc de găsire a unui punct în setul Pareto-optimal de soluţii.

În prezent, în practică, toate CRM-urile sunt implementate pe aceleași principii, în principal în două moduri:

• fixarea evenimentelor și stărilor folosind texte pregătite în limbaj natural;
• urmărirea raționamentului, derularea inversă a arborelui obiectivului cu indicarea sub-golurilor.

La implementarea fiecăreia dintre aceste metode, sunt evidențiate preliminar situațiile, faptele și nodurile de tranziție către stări noi care necesită explicație. Li se atribuie un text al explicației.

Structura sistemului expert ar fi incompletă fără un subsistem de dialog. Subsistemul de dialog este axat pe organizarea unei interfețe prietenoase cu toate categoriile de utilizatori atât în ​​cursul rezolvării problemelor, cât și în cursul dobândirii cunoștințelor și explicării rezultatelor muncii.

Faptele și regulile dintr-un sistem expert nu sunt întotdeauna adevărate sau false. Uneori există un anumit grad de incertitudine cu privire la veridicitatea unui fapt sau acuratețea unei reguli. Dacă această îndoială este exprimată în mod explicit, atunci se numește „factorul de încredere”.

Factorul de încredere este un număr care indică probabilitatea sau gradul de încredere cu care un fapt sau o regulă dat poate fi considerat de încredere sau corect. Acest coeficient este o estimare a gradului de încredere în decizia emisă de sistemul expert. O astfel de evaluare, de exemplu, poate fi efectuată conform schemei Shortliffe.

Moduri de operare ES:

• Modul de introducere a cunoștințelor - în acest mod, expertul, cu ajutorul inginerului de cunoștințe, prin editorul bazei de cunoștințe, introduce informațiile pe care le cunoaște despre domeniul subiectului în baza de cunoștințe ES.
• Modul de consultare - utilizatorul menține un dialog cu SE, informându-l despre sarcina curentă și primind recomandări de la SE. De exemplu, pe baza informațiilor despre starea fizică a pacientului, ES pune un diagnostic sub forma unei liste de boli care sunt cel mai probabil cu aceste simptome.

Tabelul 6.1.1. Principalele clase de rezolvare a problemelor rezolvate de ES

Unele ES aparțin a două sau mai multe dintre aceste categorii. Să dăm o scurtă descriere a fiecăreia dintre aceste categorii.

Sistemele de interpretare scot la iveală descrieri ale situațiilor din observații. Această categorie include observația, înțelegerea vorbirii, analiza imaginilor, interpretarea semnalului și multe alte tipuri de analiză intelectuală. Sistemele de interpretare explică datele observate atribuindu-le semnificații simbolice care descriu situația.
Sistemele de predicție includ prognoza meteo, predicția demografică, prognoza economică, estimările de randament și prognoza militară, de marketing și financiară.

Sistemele de diagnosticare includ diagnostice în medicină, electronică, mecanică și software. Sistemele de diagnostic corelează de obicei anomaliile comportamentale observate cu cauzele care stau la baza.

Sistemele de proiectare dezvoltă configurații de obiecte care îndeplinesc cerințele specifice ale unei probleme de proiectare. Astfel de sarcini includ proiectarea clădirii, amenajarea echipamentelor etc. Aceste sisteme construiesc diverse relații de descrieri de obiecte între ele și verifică dacă aceste configurații îndeplinesc constrângerile și cerințele stabilite.

Sistemele de programare sunt specializate în sarcini de programare, cum ar fi programarea automată. De asemenea, se ocupă de planificare pe termen scurt și lung în managementul proiectelor, rutare, comunicare, dezvoltare de produse, aplicații militare, producție și planificare financiară.

Sistemele de monitorizare compară observațiile despre comportamentul sistemului cu standardele care par a fi determinante pentru atingerea unui scop. Aceste detectii critice corespund unor potentiale deficiente ale intreprinderii. Există multe sisteme de monitorizare computerizată, de la controlul traficului aerian până la sarcini de gestionare a colectării taxelor.

Sistemele de control și monitorizare guvernează în mod adaptiv comportamentul general al sistemului. Pentru a realiza acest lucru, sistemul de management trebuie să interpreteze periodic situația actuală, să prezică viitorul, să diagnosticheze cauzele problemelor așteptate, să formuleze un plan pentru eliminarea acestor probleme și să monitorizeze implementarea acestuia pentru a asigura succesul.

Cel mai faimos / comun ES:

• CLIPS - popular ES (domeniu public)
• OpenCyc este un ES dinamic puternic, cu un model ontologic global și suport pentru contexte independente
• MYCIN este cel mai faimos sistem de diagnostic care este conceput pentru a diagnostica și monitoriza starea pacientului cu meningită și infecții bacteriene.
• HASP / SIAP este un sistem interpretativ care determină poziția și tipurile de nave din Oceanul Pacific pe baza datelor din sistemele de urmărire acustică.

Primul ES, numit Dendral, a fost dezvoltat la Stanford la sfârșitul anilor 1960. Ea a determinat structura moleculelor organice prin formule chimice și date spectrografice privind legăturile chimice din molecule. Valoarea lui Dendral constă în următoarele: moleculele organice sunt de obicei foarte mari și, prin urmare, numărul de structuri posibile ale acestor molecule este de asemenea mare; datorită cunoștințelor euristice ale chimiștilor experți inerente ES, soluția corectă dintr-un milion posibil a fost găsită în doar câteva încercări.

Principiile și ideile din spatele Dendral s-au dovedit a fi atât de eficiente încât sunt utilizate și astăzi în laboratoarele chimice și farmaceutice din întreaga lume. ES Dendral a fost unul dintre primii care a folosit cunoștințele euristice ale specialiștilor pentru a atinge nivelul de expert în rezolvarea problemelor, cu toate acestea, metodologia sistemelor expert moderne este asociată cu o altă dezvoltare - Mycin. A folosit cunoștințele experților medicali pentru a diagnostica și trata meningita specializată și infecțiile bacteriene ale sângelui. ES Mycin, dezvoltat tot la Stanford la mijlocul anilor 1970, a fost unul dintre primii care a abordat problema luării deciziilor bazate pe informații nesigure sau insuficiente.

Toate raționamentele sistemului expert Mycin s-au bazat pe principiile logicii de control, corespunzătoare specificului domeniului subiectului. Multe tehnici experte de dezvoltare a sistemelor utilizate astăzi au fost inițiate de proiectul Mycin. MYCIN a fost un sistem expert timpuriu dezvoltat în 5 sau 6 ani la începutul anilor 1970 la Universitatea Stanford.

A fost scrisă în Lisp ca teză de doctorat de Edward Shortliffe sub supravegherea lui Bruce Buchanan, Stanley N. Cohen și alții. În același laborator a fost creat anterior sistemul expert Dendral, dar de această dată atenția s-a concentrat pe utilizarea regulilor de decizie cu elemente de incertitudine. MYCIN a fost conceput pentru a diagnostica bacteriile care cauzează infecții severe, cum ar fi bacteriemia și meningita, și pentru a recomanda cantitatea potrivită de antibiotice în funcție de greutatea corporală a pacientului. Numele sistemului provine de la sufixul „-mycin”, care se găsește adesea în denumirile antibioticelor. Micina a fost, de asemenea, utilizată pentru a diagnostica tulburările de sângerare.

Avantajele ES:

1 . Constanţă

Competența umană se diminuează în timp. O pauză în activitatea unui expert uman îi poate afecta grav calitățile profesionale.

2. Ușurință de transmisie

Transferul de cunoștințe de la o persoană la alta este un proces lung și costisitor. Transferul de informații artificiale este un proces simplu de copiere a unui program sau a unui fișier de date.

3. Consecvența și reproductibilitatea rezultatelor

Sistemele experte sunt imune la interferențe. O persoană, pe de altă parte, cedează cu ușurință influenței factorilor externi care nu au legătură directă cu problema care se rezolvă. Un expert uman poate lua decizii diferite în situații identice din cauza factorilor emoționali. Rezultatele sistemului expert sunt stabile.

4 . Preț

Experții, în special cei cu înaltă calificare, sunt foarte scumpi. Sistemele expert, pe de altă parte, sunt relativ ieftine. Dezvoltarea lor este costisitoare, dar sunt ieftine de operat.

În plus, un expert uman poate lua decizii diferite în situații identice din cauza factorilor emoționali (influența presiunii timpului, influența stresului).

Tabelul 6.1.2. Comparație între competența umană și cea artificială

Dezavantajele ES:

Până în prezent, un număr mare de sisteme expert au fost deja create. Cu ajutorul acestora se rezolvă o gamă largă de probleme, dar exclusiv în domenii de înaltă specializare. De regulă, aceste domenii sunt bine studiate și au strategii de luare a deciziilor mai mult sau mai puțin clare. Acum, dezvoltarea sistemelor expert s-a oprit oarecum și există o serie de motive pentru aceasta:

• Transferul de cunoștințe „profunde” despre domeniul subiectului către sistemele expert este o mare problemă. De regulă, aceasta este o consecință a complexității formalizării cunoștințelor euristice ale experților.
• Sistemele experte nu sunt capabile să ofere explicații semnificative pentru raționamentul lor, așa cum o face un om. De regulă, sistemele expert descriu doar succesiunea pașilor parcurși în procesul de găsire a unei soluții.
• Depanarea și testarea oricărui program de calculator este destul de laborioasă, dar este deosebit de dificilă verificarea sistemelor experte. Aceasta este o problemă majoră, deoarece sistemele expert sunt utilizate în domenii critice, cum ar fi controlul traficului aerian și feroviar, sistemele de arme și industria nucleară.
• Sistemele expert au un alt dezavantaj major: sunt incapabile de auto-învățare. Pentru a menține sistemele expert actualizate, este necesară o intervenție constantă în baza de cunoștințe a inginerilor de cunoștințe. Sistemele experte, lipsite de suport pentru dezvoltatori, își pierd rapid relevanța.
• Experții pot percepe direct un complex de informații senzoriale de intrare (vizuale, auditive, tactile, olfactive și tactile). ES - doar simboluri. Deși în anumite domenii ale dezvoltării sistemelor inteligente de inginerie și industriale, s-au obținut rezultate reale ale anumitor procesări ale informațiilor senzoriale.
• Experți - oamenii pot înțelege imaginea de ansamblu, toate aspectele problemei și pot înțelege modul în care se raportează la sarcina principală. ES tinde să se concentreze asupra sarcinii în sine, deși sarcinile conexe pot afecta soluția celei principale.
• Oamenii, experți și neexperți, au ceea ce numim bunul simț, sau cunoașterea publică. Aceasta este o gamă largă de cunoștințe generale despre lume, despre ce legile operează în ea, de exemplu. cunoștințe pe care fiecare dintre noi le posedă, le dobândește din experiență și le folosește în mod constant. Din cauza volumului mare de cunoștințe de bun simț, nu există o modalitate ușoară de a le încorpora într-un program inteligent. Cunoştinţe bunul simț include să știi ceea ce știi și ceea ce nu știi.

Prin urmare, ES sunt folosite cel mai adesea ca consilieri, consultanți sau asistenți ai factorilor de decizie.

§2. Sisteme intrebare-raspuns

Clasificarea sistemelor de întrebări-răspuns:

• Motoare de căutare inteligente (de exemplu, sistemul Start)
• Asistenți digitali virtuali
• Interlocutori virtuali (BC)

Interlocutorii virtuali sunt instalați pe site și comunică cu utilizatorii acestuia prin chat text. Fiecare infa are propria sa imagine vizuală, care este capabilă să transmită emoțiile infa și face comunicarea cu interlocutorul mai personală și de încredere.

Structura interlocutorilor virtuali:

• Prima componentă a aeronavei este interfața cu utilizatorul prin care utilizatorul vorbește cu aeronava. Interfața cu utilizatorul este o fereastră cu o linie de introducere a textului, replici infa și imaginea sa vizuală. Practic, este o aplicație Flash care poate fi instalată ușor și rapid pe orice site.
• A doua componentă este o platformă integrată care definește comportamentul și vocabularul aeronavei. Printre altele, platforma complexă include baza de cunoștințe infa - un set de scenarii flexibile cu opțiunile date de întrebări și răspunsuri la acestea. Pe lângă baza de cunoștințe, se poate conecta o bază de date clienți cu informații despre utilizator, de unde inf va prelua date specifice despre bunuri și servicii. În special, este utilizat pe scară largă în dezvoltarea vânzătorilor de informații.

Sarcini de rezolvat:

VS sunt ușor de antrenat și ajută la rezolvarea multor probleme cu care se confruntă clientul. Ei pot fi:

• consultanți care răspund la întrebările utilizatorilor despre produsele și serviciile prezentate;
• vânzători care ajută la găsirea produsului, serviciului, tarifului potrivit, etc.;
• personal de suport tehnic care ajută utilizatorul să rezolve problemele tehnice apărute;
• promotori care promovează noi produse și servicii;
• interlocutori interesanți, stârnind interesul, sporind starea de spirit și loialitatea vizitatorilor.

Aplicatii:

• Bănci și companii de asigurări pentru care este important să ai pe site un consultant competent care să poată spune cu promptitudine toate detaliile despre serviciile oferite;
• Magazine online pentru care este important să ajutăm clienții în alegerea produselor, precum și să promovăm promoții și vânzări;
• Portaluri de internet care trebuie să atragă atenția utilizatorilor asupra proiectelor lor interne;
• Organizatorii de evenimente care trebuie să informeze vizitatorii site-ului despre toate știrile și detaliile;
• Companii de servicii tehnice care caută asistență pentru clienți 24/7.

Avantajele interlocutorilor virtuali:

• Eficiență: inf funcționează 24 de ore pe zi, 7 zile pe săptămână și poate comunica simultan cu un număr nelimitat de utilizatori. Inf vă permite să reduceți sarcina și costurile call-center-ului, consultanților și specialiștilor de asistență tehnică.
• Accesibilitate: inf înlătură bariera psihologică cu care se confruntă utilizatorul atunci când caută ajutor; introduceți doar o frază - și inf vă va oferi instantaneu un sfat competent. În același timp, utilizatorii tratează informațiile cu încredere, deoarece știe să mențină un dialog plin de viață, relaxat și chiar să exprime emoții ca răspuns la indiciile utilizatorului.
• Ușurință în operare: inf nu necesită ca utilizatorul să utilizeze programe suplimentare. Totodată, nici inf nu creează probleme clientului: pentru a instala infa pe site este suficient să plasezi un cod scurt special pe pagini.
• Competență: inf este ușor de învățat, ceea ce vă permite să puneți în el toate întrebările importante care interesează utilizatorii. Inf este capabil să ajute utilizatorul să navigheze pe site prin deschiderea automată a paginilor necesare. Dacă este necesar, inf poate iniția el însuși dialoguri pe subiectele necesare.
• Atenție: Inf înregistrează toate conversațiile cu utilizatorii, iar clientul are acces deplin la acestea. Înregistrările conversațiilor sunt utile atât din punctul de vedere al formării ulterioare infa, cât și din punctul de vedere al colectării de informații valoroase despre utilizatori și interesele acestora.

Utilizarea aeronavei permite:

• Creșteți conversia vizitatorilor în clienți: inf înlătură bariera motivațională dintre utilizator și site, deoarece inspiră imediat încredere utilizatorului și îi oferă exact informațiile care îl interesează.
• Creșteți loialitatea vizitatorilor: informațiile luminoase și pozitive susțin comunicarea în direct cu utilizatorul și evocă cele mai pozitive emoții în el. Ceea ce este important, în mintea utilizatorului, aceste emoții vor fi direct legate de imaginea companiei - clientul infa.
• Îmbunătățiți efectul unei campanii de publicitate și al campaniilor de marketing: inf atrage atenția utilizatorilor și le oferă cele mai complete informații despre articolul promovat.
• Reduceți sarcina pentru consultanții interni, agenții de vânzări și personalul de asistență tehnică: Răspunzând la întrebările frecvente și ușor de rezolvat, inf economisește timp și efortul specialiștilor interni, permițându-le să se concentreze asupra problemelor cu adevărat importante.
• Îmbunătățiți serviciul pentru clienți: inf vă permite să aflați ce interesează un anumit client și să îi oferiți ceea ce are nevoie!

Capitolul VII. Perspective pentru dezvoltarea IIS în managementul cunoștințelor

Având în vedere tendințele de dezvoltare a sistemelor informaționale inteligente în managementul cunoștințelor, trebuie remarcate următoarele direcții principale legate de dezvoltarea modelelor și metodelor de implementare a anumitor aspecte de obținere și transformare a cunoștințelor:

1. Tehnologii de extragere și prezentare a cunoștințelor. În primul caz, sarcina principală este de a dezvolta metode: descrierea formală a „atributelor cunoașterii” (modele de căutare); formalizarea SbA; recunoașterea și compararea modelelor; extragerea de cunoștințe de la experți, statistici, texte, „experiență” etc. În al doilea, sunt rezolvate probleme legate de formalizarea cunoștințelor pentru reprezentarea lor în memoria sistemelor inteligente (SI). Rezolvarea acestor probleme permite dezvoltatorilor de tehnologii complexe să obțină răspunsuri la trei întrebări fundamental importante: ce cunoștințe trebuie reprezentate în IS, cine (care) este sursa acestor cunoștințe, ce metode și modele oferă o reprezentare adecvată a acestor cunoștințe în IS. .
2. Tehnologii de manipulare a cunoștințelor, soluționarea problemelor intelectuale presupune nu numai reprezentarea cunoștințelor în SI, ci și prelucrarea acestora, adică. este necesar să-l învățăm pe IS să opereze cu ei. Prin urmare, aici problemele reînnoirii cunoștințelor sunt studiate pe baza descrierilor lor incomplete, sunt dezvoltate clasificarea cunoștințelor în IS, procedurile și metodele de generalizare a cunoștințelor, inferența de încredere etc.
3. Tehnologia comunicațiilor. Trecerea la SI marchează o nouă tehnologie de comunicare între utilizatorii finali și calculatoare și necesită soluționarea unor astfel de probleme precum înțelegerea textelor coerente într-un limbaj natural limitat și nerestricționat, înțelegerea vorbirii și sinteza acesteia, dezvoltarea modelelor de comunicare „utilizator-calculator”, formarea explicatii etc. Scopul principal al acestor studii este de a oferi condiții confortabile pentru comunicarea dintre oameni și IP.
4. Tehnologii de percepție. Dezvoltarea acestor tehnologii presupune crearea unor metode: analiza scenelor tridimensionale, prezentarea de informații despre imaginile vizuale în baza de cunoștințe IS, transformarea scenelor vizuale în descrieri textuale și invers, precum și dezvoltarea proceduri grafice cognitive etc.
5. Tehnologii de învățare. O trăsătură distinctivă a IS ar trebui să fie capacitatea lor de a rezolva probleme care nu sunt prezentate în mod explicit în baza de cunoștințe, ceea ce necesită dotarea SI cu capacitatea de a învăța. În aceste scopuri, este necesar: să se creeze metode de formare a condițiilor problemei prin descrierea unei situații problematice sau prin observarea acestei situații, să se asigure trecerea de la o soluție cunoscută a unor probleme particulare la rezolvarea unei probleme generale, să se înzească SI cu capacitatea de a descompune problema inițială în altele mai mici, a căror soluție este cunoscută, de a dezvolta modele normative și declarative ale procesului de învățare în sine, de a crea o teorie a comportamentului imitativ etc.
6. Tehnologii comportamentale. Interacțiunea IP cu mediul necesită dezvoltarea unor proceduri comportamentale speciale care să le permită să răspundă în mod adecvat la anumite schimbări din mediu. O astfel de interacțiune presupune crearea de modele de comportament oportun, normativ și situațional, precum și dezvoltarea unor metode de planificare pe mai multe niveluri și corectare a planurilor în situații dinamice.

Concluzie

Domeniile de aplicare ale sistemelor AI de astăzi acoperă multe domenii: diagnosticare medicală, interpretare a datelor geologice, cercetare științifică în chimie și biologie, știință militară, producție, finanțe și alte domenii. Cu toate acestea, în ciuda progreselor semnificative în AI, există încă un anumit decalaj între evoluțiile tehnice, software-ul AI și posibilitățile de aplicare practică mai largă a acestora, în special, în economie.

Cel mai indicativ sector care acumulează diverse zone problematice ale zonei economice este managementul unei întreprinderi industriale. Pe exemplul său, avantajele utilizării sistemelor AI pentru rezolvarea diferitelor probleme de subiect și pentru gestionarea unui sistem integrat al unei întreprinderi în ansamblu sunt deosebit de vizibile.

Există multe argumente în favoarea faptului că sistemele de inteligență artificială pot și ar trebui să devină o componentă esențială în tehnologia producției moderne. Principalele sunt:

• depășirea complexității (dificultățile de control apar atunci când trebuie să faci o alegere dintr-o varietate de soluții posibile);
• managementul întreprinderii necesită organizarea unor cantități mari de informații;
• modul de reducere a informației la nivelul necesar luării unei decizii (pierderea de informații provenind de la obiectele care funcționează în timp real poate afecta semnificativ rezultatul);
• lipsa timpului pentru a lua o decizie (se manifestă pe măsură ce producția devine mai complexă);
• problema de coordonare (soluțiile trebuie coordonate cu alte verigi din proces sau obiect);
• necesitatea păstrării și diseminării cunoștințelor experților foarte experimentați, dobândite de aceștia în procesul de mulți ani de muncă și multă experiență practică.

Problema extragerii cunoștințelor și păstrării și distribuirii acesteia este una dintre principalele probleme ale organizațiilor de astăzi.

Astfel, intelectualizarea sistemelor de management al informației și transformarea acestora în sisteme informaționale inteligente pentru managementul cunoștințelor, suportul decizional este cea mai semnificativă și importantă direcție pentru economie și afaceri.

Lista surselor de informare

1. Chi Leung Patrick Hui, ISBN 978-953-307-188-6, 586 pagini, aprilie 2011
2. Editat de Karl Perusich, Cognitive Maps, ISBN 978-953-307-044-5, 140 pagini, ianuarie 2010
3. John Prager, Eric Brown, Anni Coden și Dragomir Radev. Întrebare-răspuns prin adnotare predictivă. In Proceedings, a 23-a Conferință internațională anuală ACM SIGIR privind cercetarea și dezvoltarea în recuperarea informațiilor, Atena, Grecia, iulie 2000
4. Knox Haggie, John Kingston, Choosing Your Knowledge Management Strategy, Scoala de Informatica, Universitatea din Edinburgh, Journal of Knowledge Management Practice, iunie 2003
5. Negnevitsky M. Inteligența artificială. Un ghid al sistemelor inteligente. Addison-Wesley, 2005.
6. Peter Jackson, Introducere în sistemele expert. - Ediția a 3-a, Hardbound - Addison Wesley Publishing Company, 1998-12-31 - 560p. - ISBN 0201876868
7. Abdikeev N.M. Proiectarea sistemelor inteligente în economie: manual. - M .: Examinare, 2004 .-- 528 p.
8. Abdikeev N.M. Sisteme informaţionale inteligente: Manual.- M .: KOS-INF, Rus. econom. acad., 2003 .-- 188 p.
9. Abdikeev N.M., Kiselev A.D. Management de cunoștințe corporații și reinginerie de afaceri (Ed. de N. Abdikeev). Infra-M, Moscova, 2010
10. A.V. Gavrilov. Sisteme inteligente hibride: Monografie - Novosibirsk: Editura NSTU, 2002. - 142 p.
11. V.V. Bukhtoyarov „O metodă evolutivă de formare a unei soluții comune în colectivele de rețele neuronale”, Jurnalul „ Inteligență artificialăși luarea deciziilor ”sub cap. editat de Academician S.V. Emelyanova, numărul 2010/03
12. G.V. Rybina, A.O. Deineko „Achiziția distribuită de cunoștințe pentru construcția automată a sistemelor expert integrate”, Jurnalul „ Inteligență artificialăși luarea deciziilor ”sub cap. editat de Academician S.V. Emelyanova, numărul 2010/04
13. G.V. Rybina „Învățarea sistemelor expert integrate: câteva rezultate și perspective”, Jurnal „ Inteligență artificială
14. G.S. Osipov „Sisteme dinamice inteligente”, Jurnalul „ Inteligență artificialăși luarea deciziilor ”sub cap. editat de Academician S.V. Emelyanova, numărul 2008/01
15. Zolotov S.I. Sisteme informatice inteligente: manual / S.I. Zolotov - Voronezh: Carte științifică, 2007.140s.
16. Sisteme informatice inteligente: un manual pentru studenții instituțiilor de învățământ superior înscriși la specialitatea „Informatică aplicată în economie” / A. V. Andreychikov, O. N. Andreychikova. - M.: Finanțe și statistică, 2004 .-- 423 p.
17. Metode intelectuale de realizare a sistemelor informatice: manual / E.Yu. Golovin, Moscova: Editura MPEI, 2011, 102 p. - ISBN 978-5-383-00212-4
18. NS. Varşavsky, A.P. Eremeev „Modelarea raționamentului bazat pe precedente în sistemele inteligente de sprijinire a deciziilor”, Jurnal „ Inteligență artificialăși luarea deciziilor ”sub cap. editat de Academician S.V. Emelyanova, numărul 2009/02
19. V.P. Romanov Sisteme informaţionale inteligente în economie Manual / Ed. d. e. D., prof. N.P. Tikhomirova. - M .: Editura „Examen”, 2003. - 496 p.
20. Rybina G.V. „Teoria și practica construirii sistemelor expert integrate”, Recenzători: șef de departament. de Matematică Aplicată MPEI, Doctor în Științe Tehnice, prof. Eremeev A.P., șef de departament MGUPI, doctor în științe tehnice, prof. Petrov OM, Moscova: Editura Nauchtekhlitizdat, 2008. -485 p. - ISBN 978-5-93728-081-7
21. Townsend K., Focht D. Proiectare și implementare software a sistemelor expert pe computere personale: Per. din engleza V. A. Kondratenko, S. V. Trubitsyna. - M .: Finanţe şi statistică, 1990 .-- 320 p.

Informația absolută este informații conținute în numere absolute, cum ar fi cantitatea de ceva luată „de la sine”.

Informația relativă este informația conținută în raportul dintre cantitatea absolută și volumul populației.

Informația relativă este măsurată în părți, procente, ppm, probabilități și alte unități similare. Este evident că nu se poate trage concluzii rezonabile din informațiile relative luate izolat, scoase din context.

Informațiile analitice sunt informații conținute în raportul dintre probabilitatea (sau procentul) la o valoare de bază, de exemplu, la probabilitatea medie pe întregul eșantion.

Cantitățile standardizate în statistică și cantitatea de informații din teoria informației sunt de asemenea analitice.

Informațiile analitice vă permit să trageți concluzii semnificative despre domeniul studiat. Pentru a trage concluzii similare pe baza informațiilor relative și absolute, este necesară o prelucrare semnificativă.

Astfel, există toate motivele pentru a considera informația absolută drept „materie primă informațională”, informația analitică ca „produs informațional”. Informația relativă în acest sens ocupă o poziție intermediară și poate fi considerată ca un „semifabricat informațional”. Sistemele informaționale inteligente transformă informația brută într-un produs informațional condiționat și, prin urmare, își multiplică valoarea consumatorului și schimbă.

Datele sunt o colecție de informații înregistrate pe un anumit suport într-o formă adecvată stocării, transmiterii și procesării permanente. Transformarea și prelucrarea datelor furnizează informații.

Informația este rezultatul transformării și analizării datelor. De exemplu, bazele de date stochează diverse date, iar la o cerere specifică, sistemul de management al bazei de date oferă informațiile necesare.

Cunoștințele sunt informații procesate, înregistrate și dovedite prin practică, care au fost folosite și pot fi refolosite pentru luarea deciziilor.

Cunoașterea este un tip de informație care este stocată într-o bază de cunoștințe și reflectă cunoștințele unui specialist într-un domeniu specific. Cunoașterea este capital intelectual.

2. Sisteme automate de recunoaștere a imaginilor

Un sistem de recunoaștere a modelelor este o clasă de sisteme de inteligență artificială care oferă:

- formarea de imagini specifice obiectelor și imagini generalizate ale claselor;

- antrenament, de ex. formarea de imagini generalizate ale claselor pe baza unui număr de exemple de obiecte clasificate (adică atribuite anumitor categorii - clase) de către profesor și constituind un eșantion de pregătire;

- auto-studiu, i.e. formarea de grupuri de obiecte pe baza analizei unui eșantion de antrenament neclasificat;

- recunoaștere, adică identificarea (și prognozarea) stărilor obiectelor descrise prin caracteristici între ele și cu imagini generalizate ale claselor;

- măsurarea gradului de adecvare a modelului;

- rezolvarea problemei inverse de identificare si prognoza (neprevazuta de toate modelele).

Recunoașterea este o operațiune de comparare și determinare a gradului de similitudine a imaginii unui anumit obiect dat cu imaginile altor obiecte specifice sau cu imagini generalizate ale claselor, în urma căreia se formează o evaluare a obiectelor sau claselor în ordine descrescătoare. de asemănare cu obiectul recunoscut.

Punctul cheie în implementarea operației de recunoaștere într-un model matematic este alegerea tipului de criteriu integral sau măsură de similitudine, care, pe baza cunoașterii caracteristicilor unui anumit obiect, ar permite determinarea cantitativă a gradului acestuia. asemănarea cu alte obiecte sau imagini generalizate ale claselor.

3. „Sistemul de Inteligență Artificială”, locul SRI în clasificarea sistemelor informaționale

Sarcinile asociate cu dezvoltarea algoritmilor pentru rezolvarea unor probleme nerezolvate anterior de un anumit tip sunt considerate inteligente.

inteligența este un algoritm versatil capabil să dezvolte algoritmi pentru rezolvarea unor probleme specifice. În 1950, în articolul său „Computing machinery and intelligence”, eminentul matematician și filozof englez Alan Turing a propus un test care să înlocuiască ceea ce credea că nu are sens, „Poate o mașină să gândească?” mai specific.

Un judecător uman pentru un timp limitat, de exemplu, 5 minute, comunică într-un chat (inițial prin telegraf) în limbaj natural cu doi interlocutori, dintre care unul este o persoană, iar celălalt este un computer. Dacă judecătorul nu poate determina în mod fiabil cine este cine în timpul dat, computerul a trecut testul.

Ideea lui Turing a fost susținută de Joe Weisenbaum, care a scris primul program „conversațional” „Eliza” în 1966. Programul de numai 200 de rânduri a repetat doar frazele interlocutorului sub formă de întrebări și a alcătuit fraze noi din cuvintele deja folosite în conversație.

A. Turing credea că computerele îi vor trece în cele din urmă testul, adică. la întrebarea: „Poate o mașină să gândească?” a răspuns afirmativ, dar la timpul viitor: „Da, pot!”

Astăzi, există deja numeroase variante de sisteme inteligente care nu au un scop, dar au criterii de comportament: algoritmi genetici și simularea evoluției. Comportamentul acestor sisteme pare că au obiective diferite și le ating.

În fiecare an se desfășoară o competiție între programele de vorbire, iar cele mai asemănătoare celor mai umane, potrivit juriului, i se acordă Premiul Loebner.

Orice sistem informatic (IS) îndeplinește următoarele funcții: 1 percepe solicitările de informații introduse de utilizator și datele inițiale necesare, 2 procesează datele introduse și stocate în sistem în conformitate cu un algoritm cunoscut și generează informațiile de ieșire necesare.

Din punctul de vedere al implementării funcțiilor enumerate, SI poate fi considerat ca o fabrică care produce informații, în care comanda este o cerere de informare, materia primă este datele inițiale, produsul este informația solicitată și instrumentul (echipamentul) este cunoașterea, cu ajutorul căreia datele sunt convertite în informații.

… Dacă în timpul funcționării IS-ului devine clară necesitatea modificării uneia dintre cele două componente ale programului, atunci va fi nevoie să o rescrieți. Acest lucru se datorează faptului că numai dezvoltatorul IS are cunoștințe complete despre zona problemei, iar programul servește ca un „executor fără minte” al cunoștințelor dezvoltatorului. Acest dezavantaj este eliminat în sistemele informaționale inteligente.

Un sistem informațional inteligent (IIS) este un IS care se bazează pe conceptul de utilizare a unei baze de cunoștințe pentru a genera algoritmi de rezolvare a problemelor economice de diferite clase, în funcție de nevoile specifice de informații ale utilizatorilor.

Pentru sistemele informaționale inteligente axate pe generarea de algoritmi pentru rezolvarea problemelor, sunt caracteristice următoarele caracteristici:

Abilitati de comunicare dezvoltate,

Abilitatea de a rezolva probleme complexe slab formalizate,

Capacitate de autoinvatare,

Abilitățile de comunicare IIS caracterizează modul de interacțiune (interfață) utilizatorului final cu sistemul.

Sarcinile complexe slab formalizate sunt sarcini care necesită construirea unui algoritm de soluție original, în funcție de o situație specifică, care poate fi caracterizată prin incertitudinea și dinamismul datelor și cunoștințelor inițiale.

5. Etapele ciclului de viață al sistemelor de inteligență artificială

Nume de scenă

1 Dezvoltarea ideii și conceptului de sistem

2 Dezvoltarea fundamentelor teoretice ale sistemului

3 Elaborarea unui model matematic al sistemului

4 Dezvoltarea unei metodologii de calcule numerice în sistem:

4.1 - proiectarea structurilor de date

4.2 - dezvoltarea algoritmilor de prelucrare a datelor

5 Dezvoltarea structurii sistemului și a ecranelor de interfață

6 Dezvoltarea implementării software a sistemului

7 Depanarea sistemului

8 Operație experimentală

9 Operațiune de probă

10 Operare industrială

11 Modificări personalizate ale sistemului

12 Dezvoltarea de noi versiuni ale sistemului

13 Dezafectarea sistemului

În mod convențional, fiecare dintre semnele inteligenței are propria sa clasă IIS:

Sisteme inteligente de interfață;

Sistem expert;

Sisteme de autoînvățare.

6 Un sistem expert (ES) este un IIS conceput pentru a rezolva probleme slab formalizate pe baza experienței experților în domeniul problemelor acumulată în baza de cunoștințe

Un sistem expert este un instrument care îmbunătățește abilitățile intelectuale ale unui expert și poate îndeplini următoarele roluri:

1 consultant pentru utilizatori neexperimentați sau neprofesioniști;

2asistent datorita necesitatii unui expert care sa analizeze diverse optiuni decizionale;

3Parteneri ai unui expert pe probleme legate de sursele de cunoștințe din domenii conexe de activitate.

Din punct de vedere istoric, ES au fost primele sisteme de inteligență artificială care a captat atenția consumatorilor.

Clase de sisteme expert. În funcție de gradul de complexitate al sarcinilor rezolvate, sistemele expert pot fi clasificate astfel:

Conform metodei de formare a unei soluții, sistemele expert sunt împărțite în două clase: analitice și sintetice. Sistemele analitice implică alegerea soluțiilor dintr-o varietate de alternative cunoscute, în timp ce sistemele sintetice implică generarea de soluții necunoscute. Un sistem expert analitic este un SE care evaluează opțiunile de decizie (testarea ipotezelor). Un sistem expert sintetic este un ES care generează opțiuni de soluție (formarea de ipoteze).

Conform metodei de contabilizare a unui atribut de timp, sistemele expert pot fi statice sau dinamice. Sistemele statice rezolvă problemele cu date și cunoștințe neschimbate în procesul de soluționare, sistemele dinamice permit astfel de modificări.

Un sistem expert static este un ES care rezolvă probleme în condiții care nu se modifică în timp, datele și cunoștințele inițiale.

Un sistem expert dinamic este un SE care rezolvă problemele în condiții de date și cunoștințe inițiale care variază în timp.

În funcție de tipurile de date și cunoștințe utilizate, sistemele expert sunt clasificate în sisteme cu cunoștințe deterministe (bine definite) și cunoștințe incerte. Incertitudinea cunoștințelor (date) este înțeleasă ca fiind incompletitatea (absența), nesiguranța (inecizia măsurării), ambiguitatea (ambiguitatea conceptelor), neclaritatea (evaluarea calitativă în loc de cantitativă).

În funcție de numărul de surse de cunoștințe utilizate, sistemele expert pot fi construite folosind una sau mai multe surse de cunoștințe.

7. Un sistem cu o interfață inteligentă este un IIS conceput pentru a căuta informații implicite într-o bază de date sau text pentru interogări arbitrare, de obicei compuse într-un limbaj natural limitat

Bazele de date inteligente diferă de bazele de date obișnuite prin capacitatea de a prelua informațiile necesare la cerere, care pot să nu fie stocate în mod explicit, dar rezultate din baza de date disponibilă. Exemple de astfel de interogări pot fi următoarele: - „Afișează o listă de bunuri, al căror preț este mai mare decât media industriei”,

În cerere, se solicită căutarea după o condiție, care trebuie definită în continuare în cursul rezolvării problemei. Formularea cererii se realizează într-un dialog cu utilizatorul, a cărui succesiune de pași este efectuată în forma cea mai convenabilă pentru utilizator. O interogare de bază de date poate fi, de asemenea, formulată folosind o interfață în limbaj natural.

Interfața în limbaj natural presupune traducerea construcțiilor în limbaj natural la nivelul de reprezentare a cunoștințelor în mașină.

Interfața în limbaj natural este folosită pentru:

Acces la baze de date inteligente;

Căutare contextuală a informațiilor din text documentar;

Traducere automată din limbi străine.

Sistemele hipertext sunt concepute pentru a implementa căutări de cuvinte cheie în bazele de date cu informații textuale. Motorul de căutare funcționează în primul rând cu baza de cunoștințe a cuvintelor cheie și abia apoi direct cu textul.

Sistemele de ajutor contextual pot fi considerate ca un caz special de hipertext inteligent și sisteme de limbaj natural. În sistemele de ajutor contextual, utilizatorul descrie problema (situația), iar sistemul, cu ajutorul unui dialog suplimentar, o specifică și caută el însuși recomandări legate de situație. Astfel de sisteme aparțin clasei de sisteme de publicare a cunoștințelor și sunt create ca atașament la sistemele de documentare (de exemplu, documentația tehnică pentru funcționarea mărfurilor).

Sistemele de grafică cognitivă fac posibilă implementarea interfeței utilizator cu IMS folosind imagini grafice care sunt generate în conformitate cu evenimentele care au loc.

8. Un sistem de auto-învățare este un IIS, care, pe baza exemplelor de practică reală, generează automat unități de cunoștințe

Sistemele de autoînvățare se bazează pe metode de clasificare automată a exemplelor de situații din viața reală (învățare prin exemplu). Exemple de situații reale sunt acumulate pe o anumită perioadă istorică și constituie un eșantion de antrenament. Aceste exemple sunt descrise de o varietate de caracteristici de clasificare. Mai mult, eșantionul de antrenament poate fi:

- „cu un profesor”, când pentru fiecare exemplu se stabilește în mod explicit valoarea atributului apartenenței sale la o anumită clasă de situații (atribut de formare a clasei);

- „nesupravegheat”, atunci când sistemul însuși identifică clase de situații pe baza gradului de apropiere a valorilor caracteristicilor de clasificare.

Ca urmare a antrenării sistemului, se construiesc automat reguli sau funcții generalizate care determină apartenența situațiilor la clasele pe care sistemul instruit le folosește atunci când interpretează situații noi care apar. Astfel, se generează automat o bază de cunoștințe, care este utilizată în rezolvarea problemelor de clasificare și prognoză. Această bază de cunoștințe este ajustată periodic în mod automat pe măsură ce se câștigă experiență din situații reale, ceea ce vă permite să reduceți costul creării și actualizării acesteia.

Etapa de identificare a zonei probleme - determinarea cerințelor pentru SE dezvoltat, contururile zonei problemei avute în vedere (obiecte, scopuri, sub-obiective, factori), alocarea resurselor pentru dezvoltarea SE.

Etapa de identificare a zonei problemei include determinarea scopului și domeniului de aplicare a sistemului expert, selectarea experților și a unui grup de ingineri de cunoștințe, alocarea resurselor, stabilirea și parametrizarea problemelor de rezolvat.

Demararea lucrărilor la crearea unui sistem expert este inițiată de șefii companiilor. De obicei, necesitatea dezvoltării unui sistem expert este asociată cu dificultățile factorilor de decizie, ceea ce afectează eficiența zonei problematice. De obicei, scopul unui sistem expert este legat de unul dintre următoarele domenii:

Instruire si consultanta pentru utilizatori neexperimentati;

Diseminarea și utilizarea experienței unice a experților;

Automatizarea muncii experților în luarea deciziilor;

Optimizarea rezolvarii problemelor, propunerea si testarea ipotezelor.

După definirea preliminară a contururilor sistemului expert dezvoltat, inginerii de cunoștințe, împreună cu experți, efectuează o formulare mai detaliată a problemelor și parametrizarea sistemului. Principalii parametri ai zonei cu probleme includ următorii:

Clasa de sarcini de rezolvat (interpretare, diagnosticare, corectare, prognoza, planificare, proiectare, monitorizare, management);

Criterii de eficacitate a rezultatelor soluționării problemelor (minimizarea utilizării resurselor, îmbunătățirea calității produselor și serviciilor, accelerarea rotației de capital etc.);

Criterii de eficacitate a procesului de rezolvare a problemelor (creșterea acurateței deciziilor luate, luarea în considerare a unui număr mai mare de factori, calcularea unui număr mai mare de opțiuni alternative, adaptabilitatea la schimbările din zona problemei și nevoile de informare ale utilizatorilor, reducerea timpului). pentru luarea deciziilor);

Obiectivele sarcinilor de rezolvat (alegerea dintre alternative, de exemplu, alegerea unui furnizor sau sintetizarea unei valori, de exemplu, distribuirea bugetului pe post);

Sub-obiective (împărțirea sarcinii în subsarcini, pentru fiecare dintre acestea fiind determinat propriul scop);

Date inițiale (un set de factori utilizați);

Caracteristici ale cunoștințelor utilizate (determinism / incertitudine, static / dinamic, orientare cu scop unic / multifuncțional, unicitate / pluralitate de surse de cunoștințe).

În etapa de formalizare a bazei de cunoștințe se realizează alegerea metodei de reprezentare a cunoștințelor. În cadrul formalismului ales, se realizează proiectarea structurii logice a bazei de cunoștințe.

Etapa de formalizare a bazei de cunoștințe este alegerea unei metode de reprezentare a cunoștințelor, în cadrul căreia este proiectată structura logică a bazei de cunoștințe.

Modelul logic presupune o descriere unificată a obiectelor și acțiunilor sub formă de predicate de ordinul întâi.

Modelul logic reflectă conexiunile logice dintre elementele de date, indiferent de conținutul și mediul de stocare al acestora.

Modelul de date logic poate fi relațional, ierarhic sau în rețea. Utilizatorilor li se aloca subseturi ale acestui model logic, numite modele externe, care reflectă înțelegerea lor asupra domeniului. Modelul extern corespunde vederilor pe care utilizatorii le obțin din modelul logic, în timp ce cerințele conceptuale reflectă opiniile pe care utilizatorii și-au dorit inițial să le aibă și care au stat la baza dezvoltării modelului conceptual. Modelul logic este mapat pe memoria fizică, cum ar fi disc, bandă sau alt mediu de stocare.

11. Etapele proiectării unui sistem expert

Etapele creării sistemelor expert: identificare, conceptualizare, formalizare, implementare, testare, implementare. În etapele inițiale de identificare și conceptualizare, asociate cu definirea contururilor viitorului sistem, inginerul de cunoștințe acționează ca un student, iar un expert ca un profesor, un maestru. În etapele finale de implementare și testare, inginerul de cunoștințe demonstrează rezultatele dezvoltării, a căror adecvare este evaluată de expertul în domeniul problemei. În etapa de testare, aceștia pot fi experți complet diferiți. În etapa de testare, sistemele expert create sunt evaluate în funcție de două grupuri principale de criterii: acuratețea și utilitatea. Următoarea etapă din ciclul de viață al unui sistem expert este implementarea și operarea de probă la scară masivă fără control direct din partea dezvoltatorilor și trecerea de la cazurile de testare la rezolvarea problemelor reale. Cel mai important criteriu de evaluare este raportul dintre costul sistemului și eficacitatea acestuia. În această etapă, se colectează comentarii critice și se fac modificările necesare. Ca rezultat al operațiunii de probă, poate fi necesar să se dezvolte noi versiuni specializate, ținând cont de particularitățile zonelor cu probleme. În toate etapele de dezvoltare, inginerul de cunoștințe joacă un rol activ, iar expertul un rol pasiv. Pe măsură ce se dezvoltă proprietățile de auto-învățare ale sistemelor expert, rolul inginerului de cunoștințe scade, iar comportamentul activ al unui utilizator expert interesat de funcționarea eficientă a sistemului expert crește.

Prototipul sistemului expert este o versiune a bazei de cunoștințe care este extinsă (schimbabilă) la fiecare etapă ulterioară, cu posibilă modificare a mecanismelor software. După fiecare etapă, sunt posibile reveniri iterative la etapele de proiectare deja finalizate, ceea ce contribuie la pătrunderea treptată a inginerului prin cunoștințe în profunzimea problemelor care se rezolvă, la eficiența utilizării resurselor alocate, la reducerea timpului de dezvoltare și la îmbunătățirea constantă. competența și performanța sistemului. Un exemplu de dezvoltare a unui sistem expert de garantare (asigurare) împrumuturi comerciale CLUES (sisteme expert de împrumut-subscriere).

Algoritmii genetici (GA) sunt metode adaptative de optimizare funcțională bazate pe simularea computerizată a evoluției biologice. Principiile de bază ale GA au fost formulate de Holland (1975) și sunt bine descrise în multe lucrări și pe o serie de site-uri de pe Internet.

Teoria lui Darwin este modelată în mod tradițional în GA, deși, desigur, acest lucru nu exclude posibilitatea modelării altor teorii ale evoluției în GA.

Modelul de evoluție al lui Darwin se bazează pe modificări aleatorii ale elementelor materiale individuale ale unui organism viu în timpul tranziției de la generație la generație. Modificările rezonabile care facilitează supraviețuirea și producția de urmași într-un mediu specific dat sunt păstrate și transmise urmașilor, de exemplu. sunt moștenite. Indivizii care nu au adaptarile corespunzatoare mor, ne lasand urmasi sau lasandu-i mai putini decat cei adaptati (se crede ca numarul urmasilor este proportional cu gradul de fitness). Prin urmare, ca urmare a selecției naturale, se naște o populație din cei mai adaptați indivizi, care poate deveni baza unei noi specii, fiecare algoritm genetic specific este un model de imitație a unei anumite teorii a evoluției biologice sau a variantei acesteia.

Operațiunea GA este un proces iterativ care continuă până când generațiile nu mai diferă semnificativ unele de altele, sau au trecut un anumit număr de generații sau un anumit timp. Selecția, încrucișarea (încrucișarea) și mutația sunt implementate pentru fiecare generație.

13. Etapa de conceptualizare a zonei problemei - construirea unui model conceptual care reflecta intr-o forma integrala esenta functionarii zonei problemei la niveluri obiect (structural), functional (operational), comportamental (dinamic).

În etapa de construire a unui model conceptual se realizează o descriere integrală și sistematică a cunoștințelor utilizate, reflectând esența funcționării zonei problemei. Calitatea construirii unui model conceptual al zonei problematice depinde în mare măsură de cât de des în viitor, pe măsură ce proiectul se dezvoltă, baza de cunoștințe va fi reproiectată. Un model conceptual bun poate fi doar rafinat (detaliat sau simplificat), nu reconstruit.

Rezultatul conceptualizării zonei problemei este de obicei înregistrat sub formă de diagrame grafice vizuale la nivelul obiectului, funcțional și comportamental de modelare:

Modelul obiect descrie structura domeniului ca o colecție de obiecte interconectate;

Modelul funcțional reflectă acțiuni și transformări asupra obiectelor;

Modelul comportamental are în vedere interacțiunile obiectelor sub aspect temporal.

Primele două modele descriu aspectele statice ale funcționării zonei problemei, iar al treilea model descrie dinamica modificărilor stărilor acesteia. Desigur, pentru diferite clase de probleme pot fi necesare diferite tipuri de modele și, în consecință, metode de reprezentare a cunoștințelor orientate către acestea. Să luăm în considerare fiecare dintre tipurile de modele prezentate.

Modelul obiect este o reflectare la nivel semantic al cunoașterii faptice despre clasele de obiecte, proprietățile și relațiile acestora.

Design conceptual - Colectarea, analizarea și editarea cerințelor de date. Pentru aceasta se desfasoara urmatoarele activitati:

Studierea domeniului de studiu, studiul structurii informaționale a acesteia;

Identificarea tuturor fragmentelor, fiecare dintre acestea fiind caracterizată de o vizualizare a utilizatorului, obiecte informaționale și conexiuni între ele, procese peste obiecte informaționale

Modelarea și integrarea tuturor vederilor

La sfârșitul acestei etape, obținem un model conceptual care este invariant cu structura bazei de date. Este adesea prezentat ca un model entitate-relație.

Designul logic este transformarea cerințelor de date în structuri de date. Ca rezultat, obținem o structură orientată spre DBMS a bazei de date și specificații ale programelor de aplicație. În această etapă, bazele de date sunt adesea modelate în raport cu diferite SGBD-uri și se efectuează o analiză comparativă a modelelor.

Design fizic - definirea caracteristicilor de stocare a datelor, metode de acces etc.

Arhitectura sistemului expert de analiză economică (caracteristicile formării unei baze de cunoștințe, alegerea metodelor de inferență, interfața cu utilizatorul) depinde în mare măsură de obiectivele și profunzimea analizei: externă (pentru organizațiile terțe) sau internă (pentru organizații terțe). întreprinderea în sine).

Analiza economică externă este efectuată de entități externe întreprinderii: investitori, creditori, parteneri, furnizori, auditori, servicii fiscale și vamale, organizații de asigurări etc. Sistemele expert interpretative sunt utilizate pentru analiza externă.

Scopul analizei externe a întreprinderii este de a determina starea generală a întreprinderii, i.e. interpretarea situației sale economice în ceea ce privește identificarea oportunităților de interacțiune eficientă cu organizațiile externe

Un sistem inteligent de modelare a proceselor de afaceri este conceput pentru a analiza pe termen lung eficacitatea organizării proceselor de afaceri, prezicând consecințele implementării recomandărilor pentru reinginerirea proceselor de afaceri.

Dacă se utilizează sistemul expert FINEX de analiză financiară internă, examinarea se efectuează automat pe baza datelor de raportare financiară introduse.

Funcțiile sistemului expert pentru analiza financiară a unei întreprinderi sunt:

Introducerea și verificarea corectitudinii întocmirii situațiilor financiare;

Analiza situației financiare a întreprinderii;

Analiza rezultatelor activităților financiare și economice ale întreprinderii și diagnosticarea eficienței utilizării resurselor.

Analiza situației financiare a întreprinderii implică o evaluare cuprinzătoare de evaluare și clasificare a solvabilității și stabilității financiare a întreprinderii.

Metoda de clasificare - situațiile sunt clasificate ca diverse combinații de valori caracteristice, folosind o abordare conjunctivă a regulilor de construire. Această metodă este precisă și dură.