Учебное пособие (Интеллектулльные информационные технологии) (ТГУ). Учебное пособие (Интеллектулльные информационные технологии) (Т. Интеллектуальные информационные технологии
 Скачать 3.62 Mb.
|
Таблица 2
Разработка системы ИИ начинается с формирования полных, непротиворечивых и однозначных требований. При проектировании используются принципы технологии разработки ПО: сокрытие информации, локализация и модульность. Система ИИ проектируется как композиция уровней. Любой уровень чувствителен лишь к нижестоящим уровням. Такое проектирование упрощает реализацию и тестирование системы ИИ. Тестирование ПО ИИ отличается от тестирования обычных систем, так как для ИИ-систем характерно недетерминированное поведение вследствие использования стратегии разрешения конфликтов, зависящей от параметров периода исполнения программы. Поэтому единственным эффективным способом тестирования систем ИИ является прототипизация. Фаза сопровождения, включающая выполнение самых различных модификаций системы, является важнейшим этапом процесса разработки любой системы, но имеет свою специфику для систем ИИ. Здесь БЗ наиболее динамичный компонент и меняется в течение всего жизненного цикла. Поэтому сопровождение ИИ-систем является сложной проблемой. Приобретение знаний ключевая задача во всех технологиях построения систем, основанных на знаниях. Производительность ИИ-систем находится в прямой зависимости от количества знаний, содержащихся в системе. В области поддержки разработки ИИ-систем можно указать две тенденции:
Эти тенденции, взаимно обогатив друг друга, должны привести к созданию мощного и гибкого инструментария интеллектуального программирования. В настоящее время усилия концентрируются в следующих направлениях:
До недавнего времени наиболее популярным языком реализации ИИ-систем был ЛИСП, разработанный под руководством Дж. Маккарти в Стэнфорде в начале 60-х годов XX века. Это был язык, который должен был стать следующим за ФОРТАНом шагом на пути автоматизации программирования. К концу 80-х годов ЛИСП был реализован на всех классах ЭВМ от персональных до высокопроизводительных вычислительных систем. В настоящее время фирмами США, Японии, Западной Европы выпускаются ЛИСП-машины. Параллельно с ЛИСПом разрабатывались другие языки обработки символьной информации СНОБОЛ, РЕФАЛ. СНОБОЛ стал одной из первых практических реализаций развитой продукционной системы. РЕФАЛ вобрал в себя лучшие черты языков обработки символьной информации, активно используется концепция поиска по образцу. В начале 70-х годов XX века появился ПРОЛОГ, разработанный в Марсельском университете. В японском проекте вычислительных систем V поколения ПРОЛОГ был выбран в качестве базового языка для машины вывода. ПРОЛОГ удобен, если число отношений не слишком велико и каждое отношение описывается небольшим числом альтернатив. Механизмы вывода обеспечивают поиск решения на основе перебора возможных альтернатив и декларативного возврата из тупиков. ЛИСП, СНОБОЛ, РЕФАЛ и ПРОЛОГ – языки общего назначения для задач ИИ. Вместе с тем в рамках развития средств автоматизации ПС, ориентированных на знания, были языки, сыгравшие важную роль в эволюции основных языков ИИ. Языки, основанные на программировании поисковых задач, – ПЛЭНЕР, КОННАЙВЕР, функционируют в ЛИСП-среде, реализуют представление данных в виде поисковых структур, развитые методы сопоставления образцов, поиск с возвратами и вызов процедур по образцу. В 70-х годах в ИИ сформировались концепции представления знаний на основе семантических сетей и фреймов. Характерными чертами разработанных языков KRL, FRL были двухуровневое представление данных (абстрактная модель предметной области в виде иерархии множеств понятий и конкретная модель ситуаций как совокупность взаимосвязанных экземпляров этих понятий); представление связей между понятиями и закономерностей предметной области в виде присоединенных процедур; семантический подход к сопоставлению образцов и поиску по образцу. Одним из распространенных ЯПЗ стал OPS5 (Official Production Systems), который в начале 80-х годов претендовал на роль языка стандарта в области представления знаний для ЭС. OPS5 – один из самых многочисленных на сегодняшний день ЯПЗ для ЭС, поддерживающий продукционный подход к представлению знаний. Модуль вывода решений в OPS5-системе состоит из трех блоков:
В OPS5 поддерживается единственная стратегия вывода решений – вывод, управляемый целями (обратный вывод). В общем случае к ЯПЗ предъявляются требования:
Следующим этапом в развитии инструментальных средств стала ориентация на среды поддержки разработок ИИ-систем. Примерами инструментальных пакетов и систем оболочек служат EXSYS, GURU, однако наиболее распространенными являются ART, KEE, J2. В середине 80-х годов система ART была одной из самых современных интегрированных сред, поддерживающих технологию проектирования систем, основанных на правилах. ART является пакетом разработчика. ART объединяет два главных формализма представления знаний: правила для процедурных знаний и фреймоподобные структуры для декларативных знаний. ART предлагает традиционные модели вывода: «от фактов к цели» и «от цели к фактам». Первые версии ART опирались на язык ЛИСП, последние – на язык С. Главное отличие между формами представления знаний KEE и ART заключается в способе, которым эти интегрированные системы связывают фреймы и правила. KEE является средой, в основе которой лежат фреймы, а в ART – правила. Описание объектов и правил в KEE представляется в виде иерархии фреймов. Инструментальная среда J2 является развитием ЭС реального времени PICON и самой мощной системой реального времени. Работает под управлением Windows NT, возможна работа с системой в режиме «клиент–сервер» в сети Internet. Основные функциональные возможности J2 связаны с поддержкой процессов слежения за множеством (порядка тысячи) одновременно изменяющихся параметров и обработкой изменений в режиме реального времени; проверкой нештатных ситуаций на управляемых объектах и принятием решений как в режиме ассистирования оператору, так и в автоматическом режиме. J2 является одной из первых инструментальных сред, поддерживающих разработку интегрированных ИИ-систем. Системы Work Bench в контексте автоматизации программиро- вания – это интегрированные инструментальные системы, поддерживающие весь цикл создания и сопровождения программ. К основным характеристикам Work Bench-систем относятся:
К Work Bench-системам относятся VITAL, KEATS, SHELLY Глава 9. Интеллектуальные Интернет-технологии 9.1. Интеллектуальные агенты Проблематика интеллектуальных агентов и мультиагентных систем (МАС) имеет почти 40-летнюю историю и сформировалась на основе результатов, полученных в рамках работ по распределенному ИИ (DAI), распределенному решению задач (DPS) и параллельному ИИ (PAI). Данная тематика интегрирует достижения в области компьютерных сетей и открытых систем, ИИ и информационных технологий [15]. Агент – это аппаратная или программная сущность, способная действовать в интересах достижения целей, поставленных перед ним владельцем или пользователем. Таким образом, в рамках МАС-парадигмы программные агенты рассматриваются как автономные компоненты, действующие от лица пользователя. Интеллектуальные агенты должны обладать следующими свойствами:
В зависимости от концепций, выбранных для организации МАС, обычно выделяются три базовых класса архитектур:
Архитектуру или агентов, которые используют только точное представление картины мира в символьной форме, и принимают решения на основе формальных рассуждений и использования методов сравнения по образцу, принято определять как делиберативные (1-й подход). Реактивными называются агенты и архитектуры, в которых функционирование отдельных агентов и всей системы осуществляется по правилам типа «ситуация–действие». При этом под ситуацией понимается потенциально сложная комбинация внутренних и внешних состояний (2-й подход). Для решения реальных задач используются гибридные архитектуры. Развитие и внедрение программных агентов было бы невозможно без опыта разработки открытых систем, которые характеризуются свойствами:
Одним из результатов внедрения концепции открытых систем в практику стало распространение архитектуры «клиент - сервер». В настоящее время выделяются следующие модели клиентсерверного взаимодействия:
Мобильные агенты – это программы, которые могут перемещаться по сети. Они покидают клиентский компьютер и перемещаются на удаленный сервер для выполнения своих действий, после чего возвращаются обратно. Мобильные агенты являются перспективными для МАС, но в настоящее время нет единых стандартов их разработки, нерешенным остается ряд проблем, таких как легальные способы перемещения по сети, верификация агентов (защита от передаваемых по сети вирусов), соблюдение агентами прав частной собственности и сохранение конфиденциальности информации, которой они обладают, перенаселение сети агентами. С точки зрения разработки и реализации МАС наиболее эффективными системами поддержки распределенных технологий являются DCOM, Java RMI, COBRA. Основная ценность DCOM – предоставление возможности интеграции приложений, реализованных в разных системах программирования. Java RMI-приложения обычно состоят из клиента и сервера. При этом на сервере создаются объекты, которые можно передавать по сети, либо методы, доступные для вызова удаленными приложениями, а на клиенте реализуются приложения, пользующиеся удаленными объектами. Отличительной чертой RMI является возможность передачи в сети не только методов, но и самих объектов, что обеспечивает в конечном счете реализацию мобильных агентов. Основным преимуществом COBRA является интерфейс IDL, унифицирующий средства коммуникации между приложениями. Агентом является все, что может воспринимать свою среду с помощью датчиков и воздействовать на нее с помощью исполнительных механизмов (человек, робот, программа). Каждый агент может воспринимать собственные действия. Выбор агентом действия в любой конкретный момент времени может зависеть от всей последовательности актов восприятия, наблюдавшихся до этого момента времени. Поведение агента может быть описано и с помощью функции агента, которая отображает любую конкретную последовательность актов восприятия на некоторое действие. Внешним описанием агента может служить таблица. Внутреннее описание состоит в определении того, какая функция агента реализуется с помощью программы агента, то есть конкретная реализация, действующая в рамках архитектуры агента. В любой конкретный момент времени оценка рациональности действий агента зависит: - от показателей производительности; - знаний агента о среде, приобретенных ранее; - действий, которые могут быть выполнены агентом; - последовательности актов восприятия агента, которые произошли до настоящего времени. Рациональный агент должен иметь способность к обучению и быть автономным. Под проблемной средой агента понимается совокупность показателей производительности, среда, исполнительные механизмы и датчики. Пример 9.1. Проблемная среда водителя такси
Программные агенты (программные роботы, софтботы) существуют в сложных неограниченных проблемных областях. Например, софтбот для управления тренажером, имитирующим пассажирский самолет, морское судно или софтбот, предназначенный для просмотра источников новостей в Интернете и показа клиентам интересующих их сообщений. Интернет представляет собой среду, которая по своей сложности соперничает с физическим миром, а в число обитателей этой сети входит множество искусственных агентов. Классификация вариантов проблемной среды: - полностью/частично наблюдаемая: полностью наблюдаемая, если датчики фиксируют все необходимые данные; - детерминированная/стохастическая: если следующее состояние среды определяется текущим и действием агента, то среда детерминированная; - эпизодическая/последовательная: в эпизодической среде опыт агента состоит из неразрывных эпизодов. Каждый эпизод включает в себя восприятие среды агентом, а затем выполнение одного действия (распознавание дефектных деталей), в последовательных средах Агенту следует думать наперед (вождение машины, игра в шахматы); - статическая/динамическая: если среда может измениться в ходе принятия агентом решения, то она является динамической; - дискретная/непрерывная: игра в шахматы дискретная, вождение автомобиля – непрерывная; - одноагентная/многоагентная (мультиагентная): решение кроссворда, диагностика – одноагентная, игра в шахматы, вождение автомобиля – многоагентная. Задача искусственного интеллекта состоит в разработке программы агента, которая реализует функцию агента, отображая восприятия на действия. Предполагается, что программа должна работать в своего рода вычислительном устройстве с физическими датчиками и исполнительными механизмами. Эти компоненты составляют архитектуру агента. агент = архитектура + программа Архитектура может представлять собой персональный компьютер или роботизированный автомобиль. Существуют четыре основных вида программных агентов, которые лежат в основе почти всех интеллектуальных систем: - простые рефлексивные агенты; - рефлексивные агенты, основанные на модели; - агенты, действующие на основе цели; - агенты, действующие на основе полезности. Простейшим видом агента является простой рефлексивный агент, который выбирает действия на основе текущего акта восприятия, игнорируя всю остальную историю актов восприятия. Агент – пылесос: решения основаны только на информации о текущем местоположении и о том, содержит ли оно мусор. Наиболее эффективный способ организации работы в условиях частичной наблюдаемости состоит в том, чтобы агент отслеживал ту часть ситуации, которая воспринимается им в текущий момент. Это означает, что агент должен поддерживать внутреннее состояние, которое зависит от предыстории. Для обеспечения возможности обновления внутренней информации о состоянии среды в программе агента должны быть закодированы знания двух видов. Во-первых, нужна информация о том, как изменяется внешняя среда независимо от агента. Во-вторых, требуется определенная информация о влиянии действий агента на среду. Знания о том, как работает среда, называются моделью мира. Агент, в котором используется такая модель, называется агентом, основанным на модели. Знаний о текущем состоянии среды не всегда достаточно для принятия решения. На перекрестке такси может ехать прямо, направо, налево. Правильное решение – место назначения клиента. То есть кроме текущего состояния агенту необходимо знать цель. Инструментом для выработки последовательности действий, позволяющих агенту достичь цели, являются поиск и планирование. Программа агента может комбинировать информацию о цели с информацией о результатах возможных действий. Такие агенты получили название агентов, действующих на основе цели. Функция полезности отображает состояние на вещественное число, которое обозначает соответствующую степень удовлетворенности агента. Полная спецификация функции полезности обеспечивает возможность принимать рациональные решения, если имеются конфликтующие цели (скорость и безопасность) или несколько целей, к которым может стремиться агент, но ни одна из них не может быть достигнута со всей определенностью. Такие агенты получили название агентов, действующих на основе полезности. Структура обучающего агента включает четыре концептуальных компонента. Обучающий компонент отвечает за внесение усовершенствований, производительный компонент обеспечивает выбор внешних действий. Обучающий компонент использует информацию обратной связи от критика с оценкой того, как действует агент, и определяет, каким образом должен быть модифицирован производительный компонент для того, чтобы он успешнее действовал в будущем. Задача генератора проблем состоит в том, чтобы предлагать действия, которые должны привести к получению нового и информативного действия. Процесс обучения в интеллектуальных агентах можно охарактеризовать как процесс модификации каждого компонента агента для обеспечения более точного соответствия этих компонентов доступной информации обратной связи и тем самым улучшения общей производительности агента. 9.2. Мультиагентные системы Мультиагентные системы состоят из следующих компонентов:
Возникновение, структура и динамика МАС как класса (сообщества агентов) определяются ситуацией взаимодействия агентов в зависимости от совместимости целей, уровня взаимных обязательств и ответственности, ограниченности ресурсов (рис. 9.1).  Рис. 9.1. Классификация МАС Распределенный ИИ: МАС образуется для решения некоторой задачи. Осуществляется централизованное управление и координация действий нескольких интеллектуальных агентов. Децентрализованный ИИ: исследуется деятельность автономного агента в динамической многоагентной среде. Искусственная жизнь: исследуются и моделируются процессы децентрализованного управления, эволюции, адаптации и кооперации в МАС, состоящей из большого числа реактивных агентов. Основными направлениями в разработке МАС являются распределенный ИИ и искусственная жизнь. Главная проблема в РИИ разработка интеллектуальных групп и организаций, способных решать задачи путем рассуждений, связанных с обработкой символов. Групповое интеллектуальное поведение образуется на основе индивидуальных интеллектуальных поведений, в связи с чем необходимо согласование целей, интересов и стратегий отдельных агентов, координация их действий, разрешение конфликтов путем переговоров. Системы РИИ определяются тремя основными характеристиками:
Искусственная жизнь (ИЖ) в большей степени связана с трактовкой интеллектуального поведения в контексте выживания, адаптации и самоорганизации в динамичной, враждебной среде. Глобальное интеллектуальное поведение всей системы рассматривается как результат локальных взаимодействий большого числа простых агентов. Основные положения:
В децентрализованных ИИ управление происходит только за счет локальных взаимодействий между агентами. Наряду с распределенными знаниями и ресурсами описываются локальные задачи отдельных агентов, решаемые на базе локальных концептуальных моделей и локальных критериев. В целом задачи агентов в МАС могут изменяться от чисто индивидуальных до совместных, а сами агенты от узкоспециализированных до универсальных (автономных). По этим критериям можно выделить следующие ситуации взаимодействия агентов в МАС: сосуществование (автономные агенты, индивидуальные задачи); сотрудничество (автономные агенты, совместная задача); совместная работа (специализированные агенты, совместная задача), распределенная работа (специализированные агенты, индивидуальные задачи). Типичная схема распределенного решения задач несколькими агентами включает этапы:
ИЖ в узком смысле есть раздел теории и приложений МАС, где изучаются вопросы возникновения интеллектуального поведения на основе локальных взаимодействий агентов. При этом сами агенты могут быть не обязательно интеллектуальными. Искусственный рой – множество агентов, способных взаимодействовать друг с другом, формировать и перестраивать функциональные паттерны (образы ситуации) и совместно решать различные задачи путем параллельных действий. Таким образом, рой представляет собой динамическую сеть взаимодействующих агентов, в которой происходят согласованное восприятие сигналов и воздействие на среду. Основные принципы формирования интеллекта роя: соседства; определения качества среды обитания; разнообразия ответных реакций в рое; устойчивости роя; адаптации. ИЖ в широком смысле есть очень обширная междисциплинарная научно-техническая область, в которой проводятся работы по созданию и исследованию искусственных организмов и систем, реализующих принципы и механизмы организации живого.
Электронный магазин. Представляет собой программу, которая размещена на сервере. В электронной торговле участвуют агенты-продавцы и агенты-покупатели. Агенты действуют по поручению своих персональных пользователей. Агенты-продавцы стремятся продать товар по максимально возможной цене, а агенты-покупатели купить товар по минимальной цене. Оба вида агентов действуют автономно и не имеют целей кооперации. Электронный магазин регистрирует появление и исчезновение агентов и организует контакты между ними, делая их «видимыми» друг для друга. Поведение агента-продавца характеризуется следующими параметрами: - желаемая дата, до которой необходимо продать товар; - желаемая цена, по которой пользователь хочет продать товар; - минимально допустимая цена; - функция снижения цены во времени (линейная, квадратичная); - описание товара. Агент-покупатель имеет «симметричные» параметры: - крайний срок покупки товара; - желаемая цена покупки; - максимально приемлемая цена покупки; - функция роста цены во времени; - описание товара. Торги ведутся по схеме закрытого аукциона первой цены. Поведение агентов описывается простой моделью, в которой не используются знания и рассуждения. Агент-продавец, получив от электронного магазина информацию о потенциальных покупателях, последовательно опрашивает их всех с целью принятия решения о возможности совершения сделки. Сделка заключается с первым агентом-покупателем, который готов дать за товар запрашиваемую цену. Продавец не может вторично вступить в контакт с покупателем, пока не опросит всех потенциальных покупателей. При каждом контакте агент-продавец ведет переговоры, предлагая начальную цену, либо снижая ее. Агент-покупатель действует аналогичным образом, отыскивая продавцов товара и предлагая им свою цену покупки, которую он может увеличивать в процессе переговоров. Любая сделка завершается только в случае ее одобрения пользователем агента. Система для поддержки процессов принятия решений на предприятии по многокритериальной оценке инновационной деятельности. Общая схема принятия решений включает следующие этапы: - спецификация требований; - генерация решений; - оценка альтернатив; - выбор эффективного решения. Оценку решений проводит рабочая группа, которая состоит из руководителя, аналитика и экспертов. Руководитель формирует набор критериев, которые будут использоваться для оценки решений, подбирает состав экспертов, составляет график выполнения работ. Каждый эксперт работает по индивидуальному сценарию, предложенному руководителем. Аналитик, функции которого может выполнять руководитель, высказывает свое мнение о результатах работы, проведенной экспертами. Для поддержки группового процесса принятия решений используется метод анализа иерархий, который предусматривает: - формирование и согласование иерархической структуры показателей; - оценку и согласование качественных показателей проекта; - оценку и согласование важности показателей; - ранжирование альтернативных решений и согласование результатов. В решении этих задач участвует множество экспертов, поэтому на каждом этапе предусмотрены процедуры согласования их мнений. Ядром мультиагентной системы «Multi Expert» является менеджер знаний, использующий три внешних компонента: - информационную модель проблемной области в виде упорядоченного набора показателей качества решений; - средства программной поддержки; - множество типов пользователей. Для координации работы коллектива экспертов используется двухуровневый механизм согласования. Каждый из экспертов представлен агентом, в задачу которого входит оценка предлагаемых руководителем альтернатив по заданному набору показателей качества. С помощью редактора знаний руководитель формирует задания экспертам и проводит анализ полученной от них информации. Задача координации поведения агентов возложена на агента-координатора. Результатом работы системы являются согласованные экспертные оценки, на основании которых проводится многокритериальное ранжирование альтернатив. Основные функции агентов Агент-руководитель: - предоставляет набор процедур для облегчения работы в распределенной системе; - вычисляет конечный результат на основании данных, полученных от других агентов; - отслеживает согласованность решения, вырабатываемого группой экспертов; - предоставляет средства визуализации результатов работы; - подготавливает сообщения агенту-координатору; - выполняет почтовые функции в распределенной среде. Агент-координатор: - поддерживает целостность БД на групповом уровне и вносит в БД необходимые изменения; - обеспечивает выполнение пошагового алгоритма принятия решения; - подготавливает диалоговые формы для информационного обмена через Интернет. Агент-эксперт: - поддерживает выполнение текущего шага задания; - готовит сообщения агенту-координатору; - поддерживает целостность локальных БД; - выполняет почтовые функции в распределенной среде. Работа агентов осуществляется следующим образом. Руководитель формирует задания, оперируя справочниками, содержащими знания об экспертах, показателях качества и решениях, требующих рассмотрения. Далее задание в виде входного сообщения Minp поступает агенту-координатору, определяющему состав изменений, которые необходимо сделать в БД на локальном уровне. Координатор с помощью предоставленного ему набора функций готовит информацию для всех агентов-экспертов рабочей группы. Агенты-эксперты выполняют задания, предназначенные для своих пользователей, анализируя поступившие от координатора сообщения Mij (j – номер эксперта), и отсылают ему ответные сообщения Moj. Агент-координатор собирает сообщения о готовности выполненных заданий от всех членов группы. При выполнении всего пакета заданий его состояние изменяется, и посылается сообщение агенту-руководителю Mout. Руководитель может выполнить проверку согласованности экспертных суждений либо на основе вычислений, либо с помощью логического анализа предоставленной ему информации. Решение руководителя о степени согласованности суждений посылается агенту-координатору, который продвигает задание на следующий шаг или возвращает экспертов на предыдущий этап в целях достижения лучшей согласованности. МАС для поиска информации. В связи с быстрым развитием интернет-технологий возникла необходимость применения средств ИИ для поиска и обработки Интернет-ресурсов. Применение МАС для решения задач сбора, поиска и анализа информации в глобальных сетях дает следующие существенные преимущества перед традиционными средствами обработки информации: - обеспечение доступа пользователя к сетевым протоколам в сети Интернет; - параллельное решение нескольких задач; - выполнение поиска информации после отключения пользователя от сети; - увеличение скорости и точности поиска, а также уменьшение загрузки сети за счет поиска информации непосредственно на сервере; - создание собственных баз информационных ресурсов, постоянно обновляемых и расширяемых; - реализация возможности сотрудничества между агентами, которая позволяет использовать накопленный опыт; - возможность автоматически корректировать и уточнять запросы, используя контекст и применяя модели пользователей. В настоящее время существует несколько коммерческих МАС, предназначенных для интеллектуального поиска и обработки информации в сети Интернет, в частности системы Autonomy и Web Compass. Недостатком их является слабая способность к обучению. Поэтому основные усилия по совершенствованию интеллектуальных систем информационного поиска в сети Интернет направлены на развитие моделей представления знаний, механизмов вывода новых знаний, моделей рассуждения и способов обучения агентов. Одним из успешных исследовательских проектов, выполненных в этом направлении, стал проект системы MARRI, разработанной для поиска Web-страниц, релевантных запросам в определенной предметной области. Для решения поставленной задачи система использует знания, представленные в виде онтологии, под которой понимается упорядоченное множество понятий предметной области. Типы агентов системы MARRI: - агент пользователя (интерфейсный агент) обеспечивает интеллектуальное взаимодействие с пользователем, поддерживает процесс формулирования запросов и представляет результаты поиска в виде списка URL или Web-страниц; - агенты-брокеры двух типов:
- интернет-агент (агент сети) обеспечивает считывание и анализ заданной страницы URL или Web-страницы (URL – автономная Java – программа с собственным сетевым адресом), выполняет обработку исключительных ситуаций (страница недоступна); - агент обработки текста сначала преобразует HTML-текст к представлению, с которым работают морфологический (морфология – часть языковой системы, объединяющая слова) и синтаксический анализаторы, а затем проводит семантический анализ Web-страниц для проверки их релевантности запросу на основе соответствующей онтологии. Результат обработки текста представляется в виде синтаксического дерева, которое должно соответствовать какому-нибудь фрагменту используемой онтологии. Каждый из агентов наделен специальными знаниями, которые используются для повышения эффективности поиска информации. Агенты способны взаимодействовать друг с другом, обмениваться информацией, контактировать с Web-браузерами, анализаторами естественного языка и онтологическими БД. Виртуальное предприятие. Создание виртуальных предприятий является одним из современных направлений бизнеса, которое в значительной мере стимулируется быстрым ростом информационных ресурсов и услуг, предоставляемых в сети Интернет. Кроме того, появлению виртуальных предприятий способствует сокращение времени жизненного цикла создаваемых изделий и повышение уровня их сложности, так как при этом возникает необходимость оперативного объединения производственных, технологических и интеллектуальных ресурсов. Еще одна немаловажная причина – ужесточение конкуренции на товарных рынках, стимулирующее объединение предприятий с целью выживания. Виртуальное предприятие можно определить как кооперацию юридически независимых предприятий, организаций и отдельных лиц, которые производят продукцию или услуги в общем бизнес-процессе. Во внешнем мире виртуальное предприятие выступает как единая организация, в которой используются методы управления и администрирования, основанные на применении информационных и телекоммуникационных технологий. Целью создания виртуального предприятия является объединение производственных, технологических, интеллектуальных и инвестиционных ресурсов для продвижения на рынок новых товаров и услуг. Поскольку каждое реальное предприятие в рамках виртуального выполняет только часть работ из общей технологической цепочки, то при его создании решаются две главные задачи: - декомпозиция общего бизнес-процесса на компоненты (подпроцессы); - выбор рационального состава реальных предприятий – партнеров, которые будут осуществлять технологический процесс. Первая задача решается с применением методов системного анализа, а для решения второй могут применяться средства мультиагентных технологий. Задача оптимального распределения множества работ среди множества предприятий формулируется как задача о назначениях. Ее решение начинается с формирования множеств подпроцессов и потенциальных предприятий-участников. Затем строятся возможные отображения из множества участников на множество подпроцессов и делается выбор наиболее приемлемого отображения, которое соответствует конкретным назначениям предприятий на бизнес-процессы. Для этого можно использовать механизм аукциона. Пусть выделены бизнес-процессы А, В, С, Д, Е и участники-предприятия Р1, Р2, Р3, Р4, претендующие на их реализацию. Каждое из предприятий представлено интеллектуальным агентом, при этом Р1 выступает в роли инициатора создания виртуального предприятия (аукционера). Перед началом аукциона аукционер (менеджер) формирует БД и БЗ об участниках аукциона. Затем он выставляет на продажу отдельные бизнес-процессы, информация о которых представлена стартовой ценой и требованиями по заданному набору показателей. Каждый претендент выдвигает свои предложения по параметрам, которые он в состоянии обеспечить и свою цену. Собрав и обработав эти предложения, аукционер с помощью некоторой модели рассуждения упорядочивает потенциальных претендентов с учетом собственной информации о них. После этого он принимает решение о выборе назначений или отвергает их и выдвигает новые предложения. Задача создания виртуального предприятия относится к задачам структурного синтеза сложных систем, удовлетворяющих заданным требованиям. |