кр. Ю. Ю. Громов, О. Г. Иванова, В. В. Алексеев, М. П. Беляев, Д. П. Швец, аи. Елисеев интеллектуальные информационные системы и технологии
 Скачать 2.03 Mb.
|
|
12 исходные данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью цели нельзя выразить с помощью чётко определённой целевой функции не существует однозначного алгоритмического решения задачи алгоритмическое решение существует, но его нельзя использовать по причине большой размерности пространства решений и ограничений на ресурсы (времени, памяти. Главное отличие ЭС и систем искусственного интеллекта от систем обработки данных состоит в том, что в них используется символьный, а не числовой способ представления данных, а в качестве методов обработки информации применяются процедуры логического вывода и эвристического поиска решений. ЭС охватывают самые разные предметные области, среди которых лидируют бизнес, производство, медицина, проектирование и системы управления [4, 6, 11, 12, 15, 17]. Во многих случаях ЭС являются инструментом, усиливающим интеллектуальные способности эксперта. Для классификации ЭС используются следующие признаки способ формирования решения способ учёта временного признака вид используемых данных и знаний число используемых источников знаний. По способу формирования решения ЭС можно разделить на анализирующие и синтезирующие. В системах первого типа осуществляется выбор решения из множества известных решений на основе анализа знаний, в системах второго типа решение синтезируется из отдельных фрагментов знаний. В зависимости от способа учёта временного признака ЭС делят на статические и динамические. Статические ЭС предназначены для решения задач с неизменяемыми в процессе решения данными и знаниями, а динамические ЭС допускают такие изменения. По видам используемых данных и знаний различают ЭС с детерминированными и неопределёнными знаниями. Под неопределённо- стью знаний и данных понимаются их неполнота, ненадёжность, не- чёткость. ЭС могут создаваться с использованием одного или нескольких источников знаний. В соответствии с перечисленными признаками можно выделить четыре основных класса ЭС (рис. 1.2): классифицирующие, доопреде- ляющие, трансформирующие и мультиагентные [12]. 13 Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в таких системах является дедуктивный логический вывод. Доопределяющие ЭС используются для решения задач сне полностью определёнными данными и знаниями. В таких ЭС возникают задачи интерпретации нечётких знаний и выбора альтернативных направлений поискав пространстве возможных решений. В качестве методов обработки неопределённых знаний могут использоваться байе- совский вероятностный подход, коэффициенты уверенности, нечёткая логика. Трансформирующие ЭС относятся к синтезирующим динамическим экспертным системам, в которых предполагается повторяющееся преобразование знаний в процессе решения задач. В ЭС данного класса используются различные способы обработки знаний генерация и проверка гипотез логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определённого класса, которые впоследствии адаптируются к конкретным условиям изменяющихся ситуаций использование метазнаний (более общих закономерностей) для устранения неопределённостей в ситуациях. Мультиагентные системы – это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми результатами входе решения задач. Системы данного класса имеют следующие возможности Анализ Синтез Детерминиро - ванность знаний Классифици - рующие Трансформи - рующие Один источник знаний Неопределён - ность знаний Доопреде - ляющие Мульти - агентные Несколько источников знаний Статика Динамика Рис. 1.2. Основные классы экспертных систем 14 реализация альтернативных рассуждений на основе использования различных источников знаний и механизма устранения противоречий распределенное решение проблем, декомпозируемых на параллельно решаемые подзадачи с самостоятельными источниками знаний применение различных стратегий вывода заключений в зависимости от типа решаемой проблемы обработка больших массивов информации из баз данных использование математических моделей и внешних процедур для имитации развития ситуаций. Самообучающиеся интеллектуальные системы основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определённого исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков. Стратегия обучение с учителем предполагает задание специалистом для каждого примера значений признаков, показывающих его принадлежность к определённому классу ситуаций. При обучении без учителя система должна самостоятельно выделять классы ситуаций по степени близости значений классификационных признаков. В процессе обучения проводится автоматическое построение обобщающих правил или функций, описывающих принадлежность ситуаций к классам, которыми система впоследствии будет пользоваться при интерпретации незнакомых ситуаций. Из обобщающих правил, в свою очередь, автоматически формируется база знаний, которая периодически корректируется по мере накопления информации об анализируемых ситуациях. Построенные в соответствии с этими принципами самообучающиеся системы имеют следующие недостатки относительно низкую адекватность баз знаний возникающим реальным проблемам из-за неполноты и/или зашумлённости обучающей выборки низкую степень объяснимости полученных результатов поверхностное описание проблемной области и узкую направленность применения из-за ограничений в размерности признакового пространства. Индуктивные системы позволяют обобщать примеры на основе принципа индукции от частного к общему. Процедура обобщения 15 сводится к классификации примеров по значимым признакам. Алгоритм классификации примеров включает следующие основные шаги. 1. Выбор классификационного признака из множества заданных. 2. Разбиение множества примеров на подмножества по значению выбранного признака. 3. Проверка принадлежности каждого подмножества примеров одному из классов. 4. Проверка окончания процесса классификации. Если какое-то подмножество примеров принадлежит одному подклассу, те. у всех примеров этого подмножества совпадает значение классификационного признака, то процесс классификации заканчивается. 5. Для подмножеств примеров с несовпадающими значениями классификационных признаков процесс распознавания продолжается, начиная с первого шага. При этом каждое подмножество примеров становится классифицируемым множеством. Нейронные сети представляют собой классический пример технологии, основанной на примерах. Нейронные сети – обобщённое название группы математических алгоритмов, обладающих способностью обучаться на примерах, узнавая впоследствии черты встреченных образцов и ситуаций. Благодаря этой способности нейронные сети используются при решении задач обработки сигналов и изображений, распознавания образов, а также для прогнозирования [10]. Нейронная сеть – это кибернетическая модель нервной системы, которая представляет собой совокупность большого числа сравнительно простых элементов – нейронов, топология соединения которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой- либо конкретной задачи, следует выбрать способ соединения нейронов друг с другом и подобрать значения параметров межнейронных соединений. В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты. Поиск решения осуществляется на основе аналогий и включает следующие этапы получение информации о текущей проблеме сопоставление полученной информации со значениями признаков прецедентов из базы знаний выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме адаптация выбранного прецедента к текущей проблеме проверка корректности каждого полученного решения занесение детальной информации о полученном решении в БЗ. 16 Прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. Однако в системах, основанных на прецедентах, в отличие от индуктивных систем допускается нечёткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффициентом уверенности. Наиболее эффективные решения адаптируются к реальным ситуациям с помощью специальных алгоритмов. Системы, основанные на прецедентах, применяются для распространения знаний ив системах контекстной помощи. Информационные хранилища отличаются от интеллектуальных баз данных тем, что представляют собой хранилища значимой информации, регулярно извлекаемой из оперативных баз данных. Хранилище данных – это предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собрание данных, применяемых для поддержки процессов принятия управленческих решений [3]. Предметная ориентация означает, что данные объединены в категории и хранятся в соответствии с теми областями, которые они описывают, а нес приложениями, которые их используют. В хранилище данные интегрируются в целях удовлетворения требований предприятия в целом, а не отдельной функции бизнеса. Привязанность данных ковре- мени выражает их историчность, те. атрибут времени всегда явно присутствует в структурах хранилища данных. Неизменяемость означает, что, попав однажды в хранилище, данные уже не изменяются в отличие от оперативных систем, где данные присутствуют только в последней версии, поэтому постоянно меняются. Технологии извлечения знаний из хранилищ данных основаны на методах статистического анализа и моделирования, ориентированных на поиск моделей и отношений, скрытых в совокупности данных. Эти модели могут в дальнейшем использоваться для оптимизации деятельности предприятия или фирмы. Для извлечения значимой информации из хранилищ данных имеются специальные методы (анализа, Data Mining или Knowledge Discovery), основанные на применении методов математической статистики, нейронных сетей, индуктивных методов построения деревьев решений и др. Технология OLAP (On-Line Analytical Processing – оперативный анализ данных) предоставляет пользователю средства для формирования и проверки гипотез о свойствах данных или отношениях между ними на основе разнообразных запросов к базе данных. Они применяются на ранних стадиях процесса извлечения знаний, помогая аналитику сфокусировать внимание на важных переменных. Средства Data Mining отличаются от OLAP тем, что кроме проверки предполагаемых 17 зависимостей они способны самостоятельно (безучастия пользователя) генерировать гипотезы о закономерностях, существующих в данных, и строить модели, позволяющие количественно оценить степень взаимного влияния исследуемых факторов на основе имеющейся информации. Потребность в адаптивных информационных системах возникает в тех случаях, когда поддерживаемые ими проблемные области постоянно развиваются. В связи с этим адаптивные системы должны удовлетворять ряду специфических требований, а именно адекватно отражать знания проблемной области в каждый момент времени быть пригодными для лёгкой и быстрой реконструкции при изменении проблемной среды. Адаптивные свойства информационных систем обеспечиваются за счёт интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая модель проблемной области, поддерживаемая в специальной базе знаний – репозитории. Ядро системы управляет процессами генерации или переконфигурирования программного обеспечения. В процессе разработки адаптивных информационных систем применяется оригинальное или типовое проектирование. Оригинальное проектирование предполагает разработку информационной системы с чистого листа на основе сформулированных требований. Реализация этого подхода основана на использовании систем автоматизированного проектирования, или технологий (Designer 2000, Silver Run, Natural Light Storm и др. При типовом проектировании осуществляется адаптация типовых разработок к особенностям проблемной области. Для реализации этого подхода применяются инструментальные средства компонентного сборочного) проектирования информационных систем (R/3, BAANIV, Prodis и др. Главное отличие подходов состоит в том, что при использовании технологии на основе репозитория при изменении проблемной области каждый раз выполняется генерация программного обеспечения, а при использовании сборочной технологии – конфигурирование программ и только в редких случаях – их переработка. 1.3. Технологии разработки экспертных систем Технология создания интеллектуального программного обеспечения существенно отличается от разработки традиционных программ с использованием известных алгоритмических языков (табл. 1.1). 18 1.1. Отличия систем искусственного интеллекта от обычных программных систем Характеристика Программирование в системах искусственного интеллекта Традиционное программирование Тип обработки Символьный Числовой Метод Эвристический поиск Точный алгоритм Задание шагов решения Неявное Явное Искомое решение Удовлетворительное Оптимальное Управление и данные Смешаны Разделены Знания Неточные Точные Модификации Частые Редкие Рассмотрим отработанные на сегодняшний день элементы технологии создания ИИС на примере разработки экспертных систем. Этот выбор обусловлен тем, что ЭС получили весьма широкое распространение во многих сферах человеческой деятельности, а технологии их создания имеют универсальный характер и не требуют аппаратных реализаций. Экспертными системами называют сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей [4]. В самых первых ЭС не учитывалось изменение знаний, используемых в процессе решения конкретной задачи. Их назвали статическими ЭС. Типичная статическая ЭС содержит следующие основные компоненты базу знаний рабочую память, называемую также базой данных − решатель (интерпретатор систему объяснений компоненты приобретения знаний интерфейс с пользователем. База знаний ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область, и правил, описывающих целесообразные преобразования данных этой области. 19 База данных (рабочая память) служит для хранения текущих данных решаемой задачи. Решатель (интерпретатор) формирует последовательность применения правили осуществляет их обработку, используя данные из рабочей памяти и знания из БЗ. Система объяснений показывает, каким образом система получила решение задачи и какие знания при этом использовались. Это облегчает тестирование системы и повышает доверие пользователя к полученному результату. Компоненты приобретения знаний необходимы для заполнения ЭС знаниями в диалоге с пользователем-экспертом, а также для добавления и модификации заложенных в систему знаний. К разработке ЭС привлекаются специалисты из разных предметных областей, а именно эксперты той проблемной области, к которой относятся задачи, решаемые ЭС; инженеры познаниям, являющиеся специалистами по разработке ИИС; программисты, осуществляющие реализацию ЭС. Эксперты поставляют знания в ЭС и оценивают правильность получаемых результатов. Инженеры познаниям помогают экспертам выявить и структурировать знания, необходимые для работы ЭС, выполняют работу по представлению знаний, выбирают методы обработки знаний, проводят выбор инструментальных средств для реализации ЭС, наиболее пригодных для решения поставленных задач. Программисты разрабатывают программное обеспечение ЭС и осуществляют его сопряжение со средой, в которой оно будет использоваться. Любая ЭС должна иметь, по крайней мере, два режима работы. В режиме приобретения знаний эксперт наполняет систему знаниями, которые впоследствии позволят ЭС самостоятельно (без помощи эксперта) решать определённые задачи из конкретной проблемной области. Эксперт описывает проблемную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют взаимные связи, существующие между данными, и способы манипулирования данными, характерные для рассматриваемого класса задач. В режиме консультации пользователь ЭС сообщает системе конкретные данные о решаемой задаче и стремится получить се помощью результат. Пользователи-неспециалисты обращаются к ЭС заре- зультатом, не умея получить его самостоятельно, пользователи- специалисты используют ЭС для ускорения и облегчения процесса получения результата. Следует подчеркнуть, что термин пользователь является многозначным, так как использовать ЭС могут и эксперт, и инженер познаниями программист. Поэтому, когда хотят подчеркнуть, что речь идёт о том, для кого делалась ЭС, используют термин конечный пользователь. В режиме консультации входные данные о задаче поступают в рабочую память. Решатель на основе входных данных из рабочей памяти и правил из БЗ формирует решение. В отличие от традиционных программ компьютерной обработки данных ЭС при решении задачи не только исполняет предписанную последовательность операций, но и сама формируете. Существует широкий класс приложений, в которых требуется учитывать изменения, происходящие в окружающем мире за время исполнения приложения. Для решения таких задач необходимо применять динамические ЭС, которые наряду с компонентами статических систем содержат подсистему моделирования внешнего мира и подсистему связи с внешним окружением. Подсистема моделирования внешнего мира необходима для прогнозирования, анализа и адекватной оценки состояния внешней среды. Изменения окружения решаемой задачи требуют изменения хранимых в ЭС знаний, для того чтобы отразить временную логику происходящих в реальном мире событий. Компонента связи с внешним миром актуальна для автономных интеллектуальных систем (роботов, а также для интеллектуальных систем управления. Связь с внешним миром осуществляется через систему датчиков и контроллеров. Трудоёмкость разработки ИИС в значительной степени зависит от используемых инструментальных средств. Инструментальные средства для разработки интеллектуальных приложений можно классифицировать последующим основным параметрам уровень используемого языка парадигмы программирования и механизмы реализации способ представления знаний механизмы вывода и моделирования средства приобретения знаний технологии разработки приложений. Уровень используемого языка. Мощность и универсальность языка программирования определяет трудоёмкость разработки ЭС. 1. Традиционные (в том числе объектно-ориентированные) языки программирования типа С, C++ (как правило, они используются не для создания ЭС, а для создания инструментальных средств. |