КОРПОРАТИВНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ ТЕМА 5: ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА.

КОРПОРАТИВНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ ТЕМА 5: ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. СРЕДСТВА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

РАЗДЕЛЫ ТЕМЫ ОСНОВЫ ИИ И ЭС 1. Основы искусственного интеллекта (ИИ) 2. Экспертные системы (ЭС) и их структура СППР И СРЕДСТВА СОЗДАНИЯ ЭС И СППР 1. Системы поддержки принятия решений (СППР) и их структура 2. Инструментальные средства создания ЭС и СППР

ОСНОВЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА 1

Базовые понятия ИИ Интеллект – способность познавать понятия, которые не зависят от опыта Искусственный интеллект – ветвь информатики, основной задачей которой является исследование возможности решения машинным способом трудных для человека задач Знания – обобщенная и формализованная информация о свойствах и законах предметной области Базы знаний предназначены для хранения экспертных знаний о предметной области

ЭТАПЫ РАЗИТИЯ ИИ: Годы Парадигма Исполнители Система 50-е годы XX столетия: Нейронные сети Розенблат, Винер, Маккаллок PERCEPTRON 60-е годы: Эвристический поиск Ньюэл, Саймон, Шеннон, Тьюринг GPS 70-е годы: Представление знаний Шортлифф, Минский, Маккарти MYCIN 80-е годы: Обучающиеся машины Ленат, Сэмюэл, Холланд EURISCO 90-е годы XX – начало XXI: Индустрия знаний …

НАПРАВЛЕНИЯ ИИ Экспертные системы (ЭС) и СППР Нейронные сети Естественно-языковые системы Эволюционные методы или генетические алгоритмы (ГА) Нечеткие множества Системы извлечения знаний

ЕСТЕСТВЕННО-ЯЗЫКОВЫЕ СИСТЕМЫ Естественно-языковые (ЕЯ) системы осуществляют: интерфейс к БД (представление естественно-языковых запросов в SQL-запросы); естественно-языковой поиск в текстах, содержательное сканирование текстов (используется в поисковых системах Internet); масштабируемые средства распознания речи (портативные синхронные переводчики); средства голосового ввода команд и управления (безлюдные производства); компоненты речевой обработки, как сервисные средства программного обеспечения

СИСТЕМЫ ИЗВЛЕЧЕНИЯ ЗНАНИЙ Технологии «Хранилищ данных – ХД» (Warehouse) OLAP-технологии (On-Line Analytical Processing) Интеллектуальный анализ данных (Data Mining) Управление знаниями (Knowledge Management) Познавательное (когнитивное) моделирование ситуаций (ПМ)

Технологии «Хранилищ данных» Целью построения хранилищ данных (ХД, WareHouse) является интеграция, актуализация и согласование оперативных данных из разнородных источников для формирования единого непротиворечивого взгляда на объект управления в целом На основе ХД возможно составление отчетности для руководства, анализ данных с помощью OLAP-технологий и интеллектуальный анализ данных (Data Mining)

OLAP - технологии - это технологии комплексного многомерного анализа данных (OLAP - On-Line Analytical Processing) OLAP - технологии включают разновидности архитектуры "клиент-сервер", анализ временных рядов, объектную ориентацию и оптимизацию хранения данных, параллельные процессы обработки и т.д.

Интеллектуальный анализ данных (Data Mining) – это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации) Выделяют пять стандартных типов закономерностей, которые позволяют выявлять методы Data Mining: ассоциация, последовательность, классификация, кластеризация и прогнозирование

Управление знаниями (КМ-системы, Knowledge Management) - это установленный в корпорации формальный порядок работы с информационными ресурсами (ИР) для облегчения доступа к знаниям и повторного их использования с помощью современных информационных технологий (ИТ)

ПОЗНАВАТЕЛЬНОЕ МОДЕЛИРОВАНИЕ Познавательное (когнитивное) моделирование ситуаций (ПМ) – ориентировано на конкретные условия развития ситуации в стране, регионе или городе: политическая и экономическая устойчивость ментальность населения и власти открытость рынка полнота нормативной базы

ЭКСПЕРТНЫЕ СИСТЕМЫ И ИХ СТРУКТУРА 2

Экспертная система (ЭС) – это интеллектуальная вычислительная система, в которую включены знания опытных специалистов (экспертов) о некоторой предметной области, и которая в пределах этой области способна принимать экспертные решения (давать советы, ставить диагноз)

ЭС ориентированы на решение задач: не имеющих четкого алгоритма решения содержащих большой объем плохо структурированной информации, имеющей противоречивые данные требующих большой объем машинной памяти при ограниченном временном ресурсе

ЭС работают в двух режимах: Режим приобретения знаний от эксперта или инженера по знаниям Режим консультации с конечным пользователем

ЭС делятся на: Малые ЭС (ориентированы на СУБД Access, MS SQL, Dbase) Средние ЭС (поддерживают среды программирования Delphi, Visual Basic, СУБД Oracle, используют ОС типа Unix) Большие ЭС (ориентированы на промышленные СУБД Oracle, Sybase, Informix, используют язык логического программирования Visual Prolog)

ЭС классифицируются также по: типам решаемых задач (диагностика, проектирование, прогноз, планирование, обучение) характеристикам задач (структурированные и неструктурированные, достоверные и с определенной вероятностью достоверности) внутренней структуре (фреймовые – представляющие классы знаний; использующие предикаты – отношения между знаниями; семантические сети; на основе правил алгебры логики и нечетких множеств)

Структура ЭС

БЛОКИ ЭС: Машина логического вывода - механизм рассуждений, оперирующий знаниями и данными с целью получения новых данных из знаний Подсистема общения служит для ведения диалога с пользователем, в ходе которого ЭС запрашивает у пользователя необходимые факты для процесса рассуждения Подсистема объяснений необходима для того, чтобы дать возможность пользователю контролировать ход рассуждений Подсистема приобретения знаний служит для корректировки и пополнения базы знаний

Этапы технологии разработки ЭС Идентификация Концептуализация Формализация Выполнение Тестирование Опытная эксплуатация

МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ Логические Сетевые (семантические сети) Продукционные Фреймовые

Логические модели В основе лежит формализованная система, задаваемая вектором: L = < E, P, A, B > где E – множество базовых элементов различной природы; P - множество синтаксических правил; элементы А – аксиомы; В – множество правил вывода. Набор процедур П(E), …, П(В) определяет принадлежность к какому-либо множеству

Сетевые модели Направленный иерархический граф, в вершинах которого находятся информационные единицы Состояние системы задается вектором S = где I – множество информационных единиц; Gi - множество типов связей между ними; Отображение G – задает связи информационными единицами (I), из заданного набора связей

Продукционные модели Используют некоторые элементы логических и сетевых моделей Общая форма написания правила продукции: если <условия> то <действия> если <предшествующий> то <последующий> если <основание> то <гипотеза>

Фреймовые модели Полная информация об объекте фиксируется в жесткой структуре информационных единиц – в подфреймах, состоящих из слотов (атрибут, значение): Имя подфрейма: имя слота 1 (значение слота 1) имя слота 2 (значение слота 2) - - - - - - - - - - - - - - - - - - - - - - - - имя слота N (значение слота N)

Применение ЭС в сфере экономики ЭС Management Advisor (консультант менеджера) - помогает руководителю в планировании коммерческой деятельности ЭС Expertax - подготовка рекомендаций ревизорам и налоговым инспекторам Финаудитэксперт, Stateexpert et al.

Наиболее распространенные оболочки ЭС CLIPS, BABYLON, MIKE, GURU ESWIN, RULEBOOK RT-EXPERT, XPERTRULE VISUAL PROLOG