Государственное образовательное учреждение высшего профессионального образования УЛЬЯНОВСКИЙ ГОСУДАРСТВЕННЫЙ

Государственное образовательное учреждение высшего профессионального образования УЛЬЯНОВСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ Обособленное структурное подразделение ИНСТИТУТ АВИАЦИОННЫХ ТЕХНОЛОГИЙ И УПРАВЛЕНИЯ Факультет «Самолетостроение» ДОКЛАД Тема: «Технология работы интеллектуальных информационных систем» Выполнила студентка Группы АИСТву-51 Уфукова И. В. Ульяновск 2013

Интеллектуальные системы способны синтезировать цель, принимать решение к действию, обеспечивать действие для достижения цели, прогнозировать значения параметров результата действия и сопоставлять их с реальными, образуя обратную связь, корректировать цель или управление.

На рисунке приведена структурная схема ИС, где выделены два крупных блока системы: синтез цели и ее реализация

В первом блоке на основе активного оценивания информации, полученной от системы датчиков, при наличии мотивации и знаний синтезируется цель и принимается решение к действию. Активное оценивание информации осуществляется под воздействием пусковых сигналов. Изменчивость окружающей среды и собственного состояния системы может приводить к потребности в чем-либо (мотивации), а при наличии знаний может быть синтезирована цель. Под целью понимается идеальное, мысленное предвосхищение результата деятельности. Продолжая активно оценивать информацию об окружающей среде и собственном состоянии системы, в том числе объекта управления, при сопоставлении вариантов достижения цели можно принять решение к действию.

Далее, во втором блоке динамическая экспертная система (ДЭС) на основании текущих сведений об окружающей среде и собственном состоянии ИС при наличии цели и знаний осуществляет экспертную оценку, принимает решение об управлении, прогнозирует результаты действия и вырабатывает управление. Представленное в кодированном виде управление преобразуется в физический сигнал и поступает на исполнительные устройства.

Объект управления, получая сигнал от исполнительных устройств, осуществляет то или иное действие, результаты которого, представленные в виде параметров, по цепи обратной связи 2 поступают в ДЭС, где сравниваются с прогнозированными. Одновременно параметры результата действия, интерпретированные в соответствии со свойствами цели и поступающие в блок I, могут использоваться для эмоциональной оценки достигнутого результата: например, цель достигнута, но результат не нравится. Если цель достигается по всем параметрам, то управление подкрепляется. В противном случае происходит коррекция управления. Когда же цель недостижима, то корректируется цель.

Следует заметить, что при внезапных изменениях состояния окружающей среды, или объекта управления, или системы в целом возможен синтез новой цели и организация ее достижения. Структура ИС наряду с новыми элементами содержит традиционные элементы и связи, центральное место в ней занимает динамическая экспертная система.

По мере того как корпорации накапливают огромные массивы данных об их ежедневных операциях, использование этих данных становится наиболее важным направлением их деятельности. Необходимо понимать данные и извлекать из них ценную информацию для последующего использования на всех стадиях деятельности корпорации — от генерации идей до планирования производства и проектирования целевого маркетинга и рекламного дела. Однако извлечение информации из данных усложняется по мере роста числа переменных и увеличения числа связей между переменными. Например, для каждого из 90 000 клиентов American Telephone and Telegraph Company (AT&T) существуют несвязанные записи в сотнях баз данных компании AT&T. Наверху этой пирамиды каждую секунду генерируется новая информация по мере того, как потоки информации закачиваются в сеть AT&T пользователями.

При таком огромном количестве данных и их сложных взаимосвязях проблема понимания поведения клиентов на уровне соответствующего сегмента рынка является чрезвычайно сложной, не говоря уже об уровне отдельного клиента. Открытие знаний в базах данных (ОЗБД) — это процесс открытия первоначально неизвестных зависимостей в больших базах данных. ОЗБД включает в себя следующие элементы: отбор, очистку, преобразование и проекцию данных; анализ данных для извлечения зависимостей; оценка зависимостей для отбора из них наиболее значимых, т. е. «знаний» ; консолидация знания; разрешение конфликтов с ранее извлеченными знаниями; обеспечение доступности знаний для системы ОЗБД.

Рассмотрим в качестве примера эффективного применения этой технологии AT&T. Служба работы с клиентами AT&T осуществляет несколько миллионов контактов с пользователями ежедневно. В процессе таких контактов: заполняются вопросники, анкеты; осуществляется подписка на новые услуги; фиксируются комментарии; предлагаются специальные услуги, которых не было у клиента, но в которых он может быть заинтересован. Телефонный дисконтный план (ТДП) — одна из таких услуг. Дополнительные услуги: радиотелефон, локальное обслуживание, услуги развлечений, Интернет-услуги. ТДП — это план, в котором оплата за телекоммуникации дисконтирована на определенную долю в зависимости от вида телефонных обращений и интенсивности использования. Рекламная компания по продвижению новой услуги стоит довольно дорого, так как требует много времени на объяснение преимуществ ТДП.

Интеллектуальная система поддержки решений, рекомендующая наилучший способ действий, полезна именно в такой ситуации. Цель этой системы — максимизировать эффективность телемаркетинга путем минимизации времени, затрачиваемого на безуспешную рекламную компанию. Теоретически это можно было бы сделать при помощи предсказания и проведения рекламной компании только с теми клиентам, которые подпишутся на него. Для предсказания вероятности отказа от подписки на ТДП разработана модель обучения байесовской сети на предварительно проклассифицированных множествах данных. Обучающий набор данных содержит реакцию клиентов на предварительно отобранные данные ТДП. Интеллектуальная система поддержки решений должна предсказывать реакцию пользователя на предложение ТДП.

Подход состоит в том, чтобы предсказать (прогнозировать) реакцию пользователя на предложение ТП, основываясь на знаниях, полученных из предварительных реакций пользователя при контакте с базой данных. Чтобы получить хорошие предсказания реакции пользователя, используется система обучения машин, называемая ARPI (Advanced Pattern Recognition and Identification), извлекающая знание из базы данных и представляющая в байесовской сети (Байесовская сеть — это направленный ациклический граф, в котором каждая вершина — случайная переменная ).

Спасибо за внимание