Скачать презентацию Интеллектуальные информационные системы Фридланд Александр Яковлевич al fridland gmail
Интеллектуальные информационные системы.ppt
- Количество слайдов: 86
Интеллектуальные информационные системы Фридланд Александр Яковлевич al. fridland@gmail. com http: //www. sprint-inform. ru
Интеллектуальные информационные системы http: //www. twirpx. com/file/101718/? rand=6645819 • Автор неизвестен но литература интересна • 1. Интеллектуальные информационные системы в экономике. Учебное пособие. –М: Экзамен. – 2003 г. • 2. Гаскаров Д. В. Интеллектуальные информационные системы. Учебное пособие. –М: Высшая школа. – 2003 г. • 3. Рыбина. Теория и технология интегрированных экспертных систем. –М: Научтехлитиздат. – 2008 г. • 4. Андрейчиков А. В. , Андрейчикова О. Н. Интеллектуальные информационные системы. –М: Финансы и статистика. – 2004 г.
• 5. Джораттано Дж. , Гайли Г. Экспертные системы: принципы разработки и программирования. –М: Вильямс. – 2007 г. • 6. Люгер Дж. Искусственные интеллектуальные стратегии и методы решения сложных проблем. –М: Вильямс. – 2003 г. • 7. Рассел, Норвиг. Искусственны интеллект: современный подход. –М: Вильямс. – 2006 г. • 8. Тарасов. От многоагентных систем к интеллектуальным организациям – 2002 г. • 9. Смолин Д. В. Введение в искусственный интеллект. – 2004 г. • 10. Степанюк. Локальная организация интеллектуальных систем. Модели и приложения. • 11. Братко. Алгоритмы искусственного интеллекта.
13. Частиков, Гаврилова, Белов. Разработка экспертных систем. 14. Девятков. Системы искусственного интеллекта. 15. Круглов, Борисов. Искусственные нейронные сети. 16. Хайкин. Нейронные сети. Полный курс. – 2004 г. 17. Фролов. Интеллектуальные системы и управленческие решения. 18. Фоминых, Кисель, Попов, Шапот. Статические и динамические экспертные системы. • 19. Джексон. Введение в экспертные системы. • 20. Уотермен. Руководство по экспертным системам. • 21. Уотермен. Построение экспертных систем. • • •
Вспомогательный материал (сайты) • Российская ассоциация искусственного интеллекта http: //www. raai. org/ • Ассоциация искусственного интеллекта в Интернете http: //alicebot. org • Сайт компании Наносемантика http: //www. nanosemantics. ru/
Интеллектуальная информационная система • (ИИС, англ. intelligent system) — разновидность интеллектуальной системы, один из видов информационных систем, • иногда ИИС называют системой, основанной на знаниях. • ИИС представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи: осуществление поддержки деятельности человека, например возможность поиска информации в режиме продвинутого диалога на естественном языке.
Интеллектуальная система • (ИС, англ. intelligent system) — это техническая или программная система, способная решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. • Структура интеллектуальной системы включает три основных блока — базу знаний, решатель и интеллектуальный интерфейс
Информационная система • Термин информационная система (ИС) используется как в широком, так и в узком смысле. • В широком смысле информационная система есть совокупность технического, программного и организационного обеспечения, а также персонала, предназначенная для того, чтобы своевременно обеспечивать надлежащих людей надлежащей информацией. • Так же в достаточно широком смысле трактует понятие информационной системы Федеральный закон РФ от 27 июля 2006 г. N 149 -ФЗ «Об информации, информационных технологиях и о защите информации» : «информационная система — совокупность содержащейся в базах данных информации и обеспечивающих ее обработку информационных технологий и технических средств»
Перцептрон • Перцептро н, или персептрон (англ. perceptron от лат. perceptio — восприятие) — математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Фрэнком Розенблаттом в 1957 году и реализованная в виде электронной машины «Марк-1» [nb 2] в 1960 году. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» — первым в мире нейрокомпьютером. Несмотря на свою простоту, перцептрон способен обучаться и решать довольно сложные задачи. Основная математическая задача, с которой он справляется, — это линейное разделение любых нелинейных множеств, так называемое обеспечение линейной сепарабельности.
Восприятие • (перцепция, от лат. perceptio) — познавательный процесс, формирующий субъективную картину мира. • Это психический процесс, заключающийся в отражении предмета или явления в целом при его непосредственном воздействии на рецепторные поверхности органов чувств. • Восприятие — одна из биологических психических функций, определяющих сложный процесс приёма и преобразования информации, получаемой при помощи органов чувств, формирующих субъективный целостный образ объекта, воздействующего на анализаторы через совокупность ощущений, инициируемых данным объектом. • Как форма чувственного отражения предмета, восприятие включает обнаружение объекта как целого, различение отдельных признаков в объекте, выделение в нём информативного содержания, адекватного цели действия, формирование чувственного образа.
• ИНФОРМАЦИЯ, -и, ж. 1. Сведения об окружающем мире и протекающих в нем процессах, воспринимаемые человеком или специальным устройством (спец) • Словарь Ожегова
1. Основные определения • Данные – это информация (? ? ? ), полученная в результате наблюдения или измерения отдельных свойств или атрибутов, характеризующих объекты, процессы и явления в предметной области. • Знания - это связи и закономерности предметной области (принципы, модели, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в данной области. • Знания – это хорошо структурированные данные, данные о данных (метаданные).
• Знания делятся на глубинные и поверхностные (? ? ? ). • Поверхностные знания – знания о видимых взаимосвязях между отдельными событиями или фактами предметной области. • Глубинные знания – это абстракции, аналогии, схемы, которые отражают структуру и природу процессов, протекающих в предметной области. • Такие знания объясняют явления и могут использоваться для прогнозирования поведения объектов (например, понимание принципов работы ОС). • Современные интеллектуальные системы в основном работают с поверхностными знаниями. Это связано с тем что пока не существует универсальных методик, которые позволяли бы выявлять глубинные структуры знаний и работать с ними. • Знания подразделяются на процедурные и декларативные.
• Сначала появились процедурные знания – знания в алгоритмах, они управляли данными. Для их изменения требовалось изменять текст программы (? ? ? ). Однако с развитием информатики и программирования все большая часть знаний сосредотачивалась на структурах данных (таблицы, списки). • Т. е. увеличилась роль декларативного знания. • Знания в настоящее время приобрели чисто декларативную форму. Т. е. знанием считается предложения, записанные на языках представления знаний, приближенных к естественному языку и понятных не специалистам.
Википедия • Зна ние — в теории искусственного интеллекта и экспертных систем — совокупность информации и правил вывода (у индивидуума, общества или системы ИИ) о мире, свойствах объектов, закономерностях процессов и явлений, а также правилах использования их для принятия решений. • Главное отличие знаний от данных состоит в их структурности (? ? ? ) и активности (? ? ? ), появление в базе новых фактов или установление новых связей может стать источником изменений в принятии решений. • 3 на ния фиксируются в образах и знаках естественных и искусственных языков (? ? ? ). • Знание противоположно незнанию (отсутствию проверенной информации о чём-либо).
Процедурные знания • Процедурные знания - знания, хранящиеся в памяти интеллектуальной системы в виде описаний процедур, с помощью которых их можно получить. • Обычно процедурные знания используются для представления информации о способах решения задач в проблемной области, а также различные инструкции, методики и т. п. По форме представления процедурные знания противопоставляются декларативным знаниям. • По-английски: Procedural knowledge • Алгоритм • Автоформализация знаний, Громов
Декларативные знания • Декларативные знания - знания, которые записаны в памяти интеллектуальной системы так, что они непосредственно доступны для использования после обращения к соответствующему полю памяти. • Обычно декларативных знаний используются для представления информация о свойствах и фактах предметной области. По форме представления декларативные знания противопоставляются процедурным знаниям. • По-английски: Declarative knowledge • ДЕКЛАРАЦИЯ, -и; ж. [от лат. declaratio - заявление, объявление]
Пролог • Язык программирования высокого уровня декларативного типа, основанный на использовании логических построений для написания программ. • Если в традиционных языках программирования (Фортран, Паскаль и пр. ) программа пытается ответить на вопрос: как решить задачу, то программа, написанная на Прологе, отвечает на вопрос: что вы хотите получить от решения данной задачи. • Язык считается основным для решения задач искусственного интеллекта. • Первая реализация языка была осуществлена А. Калмероэ (A. Colmerauer) и Ф. Росселем (P. Roussel) (Франция) в 1972 г. • Фирма Borland разработала хорошую реализация языка для персональных компьютеров - Turbo-Prolog. • Широкого распространения язык пока не получил. • От англ. - PROgramming in LOGic.
• Искусственный интеллект • это научное направление, в рамках которого ставятся и решаются задачи аппаратного или программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными. • Искусственный интеллект • свойство интеллектуальных систем выполнять функции, например творческие, которые традиционно считаются прерогативой человека.
• Замена человека-специалиста на системы искусственного интеллекта, в частности на экспертные системы, разумеется, там, где это допустимо, позволяет существенно ускорить и удешевить процесс производства. • Системы искусственного интеллекта всегда объективны и результаты их работы не зависят от моментного настроения и ряда других субъективных факторов, которые присущи человеку. Но, несмотря на все вышесказанное, не стоит питать сомнительные иллюзии и надеяться, что в ближайшем будущем труд человека удастся заменить работой искусственного интеллекта. Опыт показывает, что на сегодняшний день системы искусственного интеллекта достигают наилучших результатов, функционируя совместно с человеком. Ведь именно человек, в отличие от искусственного интеллекта, умеет мыслить нестандартно и творчески, что позволяло ему развиваться и идти вперед на протяжении всей его эпохи.
Нечёткая логика • Нечёткая логика и теория нечётких множеств — раздел математики, являющийся обобщением классической логики и теории множеств. Понятие нечёткой логики было впервые введено профессором Лотфи Заде в 1965 году. В его статье понятие множества было расширено допущением, что функция принадлежности элемента к множеству может принимать любые значения в интервале [0. . . 1], а не только 0 или 1. Такие множества были названы нечёткими. Также автором были предложены различные логические операции над нечёткими множествами и предложено понятие лингвистической переменной, в качестве значений которой выступают нечёткие множества.
Экспе ртная систе ма • (expert system) — компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 1970 -х годах, а в 1980 -х получили коммерческое подкрепление. Предтечи экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины» , позволявшие находить решения по заданным условиям, например определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания[1]. • В информатике экспертные системы рассматриваются совместно с базами знаний как модели поведения экспертов в определенной области знаний с использованием процедур логического вывода и принятия решений, а базы знаний — как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.
С. Л. Сотник. Экспертные системы • С ЭС связаны некоторые распространенные заблуждения. • Заблуждение первое: ЭС будут делать не более (а скорее даже менее) того, чем может эксперт, создавший данную систему. Для опровержения данного постулата можно построить самообучающуюся ЭС в области, в которой вообще нет экспертов, либо объединить в одной ЭС знания нескольких экспертов, и получить в результате систему, которая может то, чего ни один из ее создателей не может. • Заблуждение второе: ЭС никогда не заменит человекаэксперта. Уже заменяет, иначе зачем бы их создавали?
Классификация ИИС • Экспертные системы – Собственно экспертные системы (ЭС) – Интерактивные баннеры (web + ЭС) • Вопросно-ответные системы (в некоторых источниках «системы общения» ) – Интеллектуальные поисковики (например, система Старт) – Виртуальные собеседники – Виртуальные цифровые помощники
Экспе ртная систе ма (ЭС, expert system) • — компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. • Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 1970 -х годах, а в 1980 -х получили коммерческое подкрепление. • Предтечи экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины» , позволявшие находить решения по заданным условиям,
Вопросно-ответная система (англ. Question-answering system) • — это особый тип информационных систем, являющиеся гибридом поисковых, справочных и интеллектуальных систем (часто они рассматриваются как интеллектуальные поисковые системы). • QA-система должна быть способна принимать вопросы на естественном языке, то есть это система с естественно-языковым интерфейсом. • Информация предоставляется на основе документов из сети Интернет или из локального хранилища. Современные разработки QA-систем позволяют обрабатывать множество вариантов запросов фактов, списков, определений, вопросов типа Как, Почему, гипотетических, сложных и межязыковых.
Есте ственный язы к • — в лингвистике и философии языка язык, используемый для общения людей (в отличие от формальных языков и других типов знаковых систем, также называемых языками в семиотике) и не созданный искусственно (в отличие от искусственных языков).
Информационные системы (ИС) используются в настоящее время в различных сферах экономики (рис. 1. 1). • На рисунке этом показаны в виде блоков: - предприятия, производящие национальный продукт; - правительство, собирающее налоги и выделяющее трансферты; - потребители, формирующие денежный поток; - финансовая система, аккумулирующая сбережения потребителей; - инвесторы, инвестирующие производство; - мировая экономическая система, связанная потоками экспорта и импорта с национальным общественным производством.
• Каждый из блоков имеет в своем составе ИС и соответствующую ей базу данных, совокупность сведений которой образует экономическое информационное пространство общественного производства. • Основное назначение такой информационной системы - обеспечить обработку и выдачу данных для принятия решения по руководству функционированием и развитием экономического объекта. • Термин «ИС» относится к классу программных продуктов, облегчающих или «автоматизирующих» ведение бизнеса. • Необходимая для выполнения этой задачи информация включает базы данных и модели анализа собственно организации (объекта управления), окружения, с которым происходит взаимодействие; внешних неконтролируемых факторов.
Таблица Ньюэлла
Ньюэлл, Аллен Ньюэлл (англ. Allen Newell, 19 марта 1927 года, Сан-Франциско, США — 19 июля 1992 года, Питтсбург, США) — американский учёный в области когнитивной психологии и искусственного интеллекта. Работал в исследовательском центре RAND и Университете Карнеги — Меллон. Он участвовал в разработке языка программирования IPL и двух самых ранних программ искусственного интеллекта — Logic Theory Machine (1956) и General Problem Solver (1957) (совместно с Гербертом Саймоном – лауреат Нобелевской премии). В 1975 году совместно с Саймоном был награждён Премией Тьюринга за основополагающие работы в области искусственного интеллекта и психологии механизмов человеческого восприятия
Существуют следующие модели представления знаний: • • Продукционная модель; Семантические сети; Фреймы; Формальные логические модели.
Классификация моделей Существует 2 группы языков: модульные и сетевые. Модульные языки оперируют отдельными несвязными элементами знаний (правила или аксиомы). Сетевые языки дают возможность связать эти фрагменты через отношения в семантические сети (или сети фреймов).
Модель восприятия человека
Понятия предметной области Фрагмент, выделенный из окружающего мира, называется областью экспертизы или предметной областью. Существует также множество задач и проблем, которые необходимо решать, используя сущности и отношения из этой предметной области, поэтому используется более широкое понятие - проблемная область (проблемная среда – это предметная область + решаемые задачи).
Процесс формирования понятийной структуры Понятийная структура проблемной области использует 3 источника знаний: 1 источник (первого рода) – человек, 2 источник (второго рода) – книги, справочники, инструкции и т. д. , 3 источник (третьего рода) – базы данных и другие носители.
Инженерия знаний • Инженерия знаний – занимается проблемами хранения и обработки знаний. Разрабатывается широкий класс систем, основанных на знании. • В основе деятельности специалиста (инженера по знаниям) находится процессы концептуализации – способы отображения понятийной структуры в компьютер. • Основная задача инженера по знаниям является связанной с построением модели проблемной области. Любая система, обладающая базой знаний о некоторой предметной области, может рассматриваться как интеллектуальная система.
Онтология • Онтология – система, состоящая из набора понятий, на основе которых можно строить отношения, функции, классы, объекты и теории предметной области. • O =
Онтология (информатика) • В информационных технологиях и компьютерных науках под онтологией подразумевается эксплицитная, то есть явная, спецификация концептуализации, где в качестве концептуализации выступает описание множества объектов и связей между ними. • Формально онтология состоит из понятий терминов, организованных в таксономию, их описаний и правил вывода.
• Таксоно мия (от др. греч. τάξις — строй, порядок и νόμος — закон) — учение о принципах и практике классификации и систематизации. • Термины «таксономия» и «систематика» нередко используют как синонимы, но в строгом смысле таксономия является лишь частью систематики
Понятие интеллектуальной информационной системы (ИИС) • ИИС – это такая информационная система, которая работает со знаниями. • Т. е. ее можно рассматривать как фабрику, производящую информацию, в которой заказом является информационный запрос, сырьем – исходные данные, продуктом – требуемая информация. • Фактуальные знания – осмысленные и понятые данные, организованные на носителе. • Операционные знания – это те зависимости между знаниями, которые позволяют интерпретировать данные или извлекать из них информацию.
• Фактуальные – экстенсиональные знания (детализированные). • Операционные знания – интенсиональные знания (обобщенные). • Процесс извлечения информации из данных сводится к адекватному соединению операционного и фактуального знаний. В разных системах они по-разному используются. • В системах, основанных на обработке баз данных, происходит отделение фактуального и операционного знаний друг то друга. Первые фактически организуются в виде БД. Вторые – в виде программ. В качестве посредника выступает СУБД.
Интенсиональные и экстенсиональные знания • . Интенсиональные знания — это знания о связях между атрибутами (признаками) объектов данной предметной области. • Они оперируют абстрактными событиями и отношениями. • Экстенсиональные знания представляют собой данные, характеризующие конкретные объекты, их состояния, значения параметров в пространстве и времени. • В этой классификации оперируют интенсионалом и экстенсионалом понятий. • Интенсионал понятия — это определение его через соотнесение с понятием более высокого уровня абстракции указанием специфических свойств. • Интенсионалы формулируют знания об объектах. • Другой способ определяет понятие через соотнесение с понятиями более низкого уровня абстракции или перечисление фактов, относящихся к определяемому объекту — это определение через данные, или экстенсионал понятия;
• Концепция независимости программ от данных позволяет повысить гибкость информационных систем по выполнению произвольных информационных запросов. • Однако эта гибкость в силу процедурности представления операционного знания имеет четко определенные границы. • Для формулирования информационного запроса пользователь должен ясно представлять себе структуру БД и, до определенной степени, алгоритм решения задачи. • Следовательно, пользователи должны хорошо разбираться в логической структуре БД и в алгоритме программы.
• Общие недостатки традиционных информационных систем заключаются в слабой адаптивности к изменениям предметной области и информационной потребности пользователей. • Второй недостаток – слабая адаптивность и невозможность решать плохо формализованные задачи. • Эти недостатки устраняются в ИИС.
• Для ИИС, ориентированных на генерацию алгоритмов решения задач, характерны следующие признаки: • Развитые коммуникационные способности; • Умение решать сложные, плохо формализованные задачи; • Способность к самообучению. • Коммуникационные способности ИИС характеризует способ взаимодействия конечного пользователя с системой – т. е. возможность формулирования произвольного запроса в диалоге системы. • Сложные, плохо формализуемые задачи, требующие построения оригинального алгоритма решения, в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность. • Способность к самообучению – возможность автоматического извлечения знаний для решения задач из накапливаемого опыта конкретных ситуаций.
Когнитивные процессы • Когнитивные технологии для поддержки принятия управленческих решений и когнитивный анализ и моделирование сложных ситуаций. • Когнитология – наука о знании. • Сложности анализа процессов принятия управленческих решений в таких областях как экономика, экология, социология, обусловлены рядом особенностей, которые присущи этим областям: 1. Многоаспектность происходящих в них процессов и их взаимосвязанность; 2. Отсутствие достаточной количественной информации о динамике процессов. Это вынуждает переходить к качественному анализу таких процессов; 3. Изменчивость характера процессов во времени.
Когнити вность (лат. cognitio, «познание, изучение, осознание» ) • — термин, используемый в нескольких, довольно сильно друг от друга отличающихся контекстах, обозначающий способность к умственному восприятию и переработке внешней информации. • В психологии это понятие ссылается на психические процессы личности и особенно на изучение и понимание так называемых «психических состояний» (т. е. убеждений, желаний и намерений) в терминах обработки информации. • Особенно часто этот термин употребляется в контексте изучения так называемого «контекстного знания» (т. е. абстрактизации и конкретизации), а также в тех областях, где рассматриваются такие понятия, как знание, умение или обучение.
• В силу указанных особенностей экономические, социальные и другие системы относят к слабоструктурированным системам. • Под текущей ситуацией понимается состояние слабоструктурированной системы в рассматриваемый момент времени. • Число факторов в такой ситуации может измеряться десятками. • Все они зависят от времени, а также между ними есть причинноследственные отношения. • В этом случае увидеть и осознать логику развития в такой ситуации крайне трудно.
• На многие сложные вопросы, относящиеся к слабоструктурированным системам, можно ответить, если использовать компьютерные средства познавательного (когнитивного) моделирования ситуаций. • Специфика прикладных средств когнитивного моделирования заключается в их ориентированности на конкретные условия развития ситуации в той или иной стране, регионе, городе.
Понятие когнитивной карты ситуации • Когнитивная карта ситуации – это ориентированный взвешенный граф, в котором; • Вершины взаимно однозначно соответствуют базисным факторам ситуаций, в терминах которых описываются процессы и ситуации. • Множество первоначально отобранных базисных факторов может быть верефецированно с помощью технологии интеллектуального анализа данных. • Data Mining – эта технология позволяет отбросить избыточные факторы, слабо связанные с ядром базисных факторов. • Определяется непосредственные взаимосвязи между факторами путем рассмотрения причинно-следственных цепочек, которые описывают распространение влияний от каждого фактора на другие факторы.
• Считается что факторы, входящие в посылку, влияют на факторы следствия. Это влияние может быть либо усиливающим (положительным), либо тормозящим (отрицательным). • Когнитивная карта отображает лишь наличие влияния факторов друг на друга. В ней не отображены ни детальный характер этих влияний, ни динамика изменения влияний в зависимости от изменения ситуации, ни временные изменения самих факторов. • Учет всех этих обстоятельств требует перехода на следующий уровень структуризации информации, отображаемой в когнитивной карте, т. е. к когнитивной модели.
• На этом (новом) уровне каждая связь между факторами когнитивной карты раскрывается до соответствующего уровня, который может содержать как количественные (измеряемые), так и качественные (не измеряемые) переменные. • Количественные переменные входят в виде численных переменных, а качественные - в виде лингвистических. По мере накопления знаний в процессе исследования ситуации, становится возможной более детально раскрывать характер связей между факторами. • Однако каждая дуга в этом графе представляет некоторую функциональную зависимость между соответствующими базовыми факторами. Когнитивная модель представляется функциональным графом.
Вопросы обеспечения целенаправленного поведения в сложной ситуации • При анализе конкретной ситуации пользователь обычно знает какие изменения базисных факторов является для него желательным. • Факторы, представляющие наибольший интерес для пользователя называют целевыми. Это так называемы выходные факторы. • Задача выработки решений по управлению процессами в ситуации состоит в том, чтобы обеспечивать желательные изменения целевых факторов. • Цель считается корректно заданной, если желательные изменения одних целевых факторов не приводят к нежелательным изменениям других целевых факторов.
• В исходном множестве базисных факторов выделяется совокупность так называемых управляющих факторов (входные факторы когнитивной модели). • Эти воздействия считаются согласованными с целью, если не вызывают нежелательных изменений ни в одном из целевых факторов. • При корректно заданной цели управления и при наличии управляющих воздействий, согласованных с целью, решение задачи управления не вызывает особых трудностей. • Но в общем же случае наличие целей для обеспечения целенаправленного поведения в ситуации, является весьма непростой задачей, требующей специального рассмотрения.
Методика когнитивного анализа сложных ситуаций • 1) Формулировка задачи и цели исследования; • 2) Изучение социально-экономического процесса с позиций поставленной цели; • 3) Сбор, систематизация и анализ существующей статистической и качественной информации по проблеме; • 4) Выделение основных, так называемых характеристических признаков изучаемого процесса и взаимосвязей. Определение действий основных объектов, законов развития исследуемой ситуации. Это позволяет выделить объективные зависимости и тенденции в процессах; • 5) Определение присущих исследуемой ситуации требований, целей и ограничений;
• 6) Выделение основных субъектов, связанных с ситуацией, определение их субъективных интересов в развитии данной ситуации. Это позволяет определить возможные изменения в развитии ситуации; • 7) Определение путей, механизмов действия, реализации экономических интересов основных субъектов. Это позволяет в дальнейшем определить стратегии поведения.
Построение когнитивной (графовой) модели проблемной ситуации • 1) Выделение факторов, характеризующих проблемную ситуацию • 1. 1 Выделение базисных (основных) факторов, описывающих суть проблемы; • 1. 2 Определение факторов, влияющих на целевые факторы. • Пример: при решении проблемы неплатежа налогов, можно выделить следующие факторы: собираемость налогов, политическая стабильность региона, инвестиционный рейтинг района, финансовая стабильность региона. • 1. 3 Определение факторов – индексов, отражающих и объясняющих развитие процессов в проблемных ситуациях и их влияние на различные сферы.
• 2) Группировка факторов по блокам, объединяется в один блок, факторы, характеризующие данную сферу проблемы и определяемые процессы в этой сфере. • 2. 1 Выделение в блоке группы интегрированных показателе (факторов), по существованию которых можно судить об общих тенденциях в данной сфере. • Например факторы дефицита бюджета, обобщающие характерную ситуацию в данной сфере. • 2. 2 Выделение в блоки показателей, характеризующих тенденции и процессы в данной сфере более детально.
• 3) Определение связи между факторами. • 3. 1 Определение связей и взаимодействий между факторами. • Это позволит определить основные направления влияния факторов разных блоков друг на друга. • 3. 2 Определение непосредственных связей факторов внутри блока. • 3. 2. 1 Определение направления влияний и взаимовлияний между факторами. Например, уровень налогового бремени, влияющий на неплатежи налогов. • 3. 2. 2 Определение позитивности влияния. Увеличение другого налогового бремени, влияющего на неплатежи налогов. Увеличение факторов собирания налога, уменьшение факторов неплатежей налогов. • 3. 2. 3 Определение силы влияния взаимовлияния факторов (слабо, сильно). Пример: Увеличение фактора налогового бремени, значительно увеличивает неплатежи налогов. • 3. 3 Определение связей между факторами различных блоков.
• 4) Проверка адекватности моделей – сопоставление полученных результатов с характеристиками системы, которые при тех же исходных условиях были в прошлом. Если результат сравнительно неудовлетворителен, то переходим к пункту 1.
• Моделирование средствами выявления закономерностей(социальных, политических), предупреждение предотвращения налоговых тенденций, получение теоретических и практических знаний проблемы и формирование конкретных практических выводов. • Моделирование – циклический процесс, знания об исследуемой проблеме расширяются и уточняются, а исходная модель постепенно совершенствуется.
Этапы • Объект исследований: проблемы, процессы, системы, ситуации. 1) Изучение, исследование проблемы, процесса, системы, ситуации. 2) Результат изучения: знания о проблеме, процессе, системе, ситуации. 3) Построение когнитивной карты ситуации. 4) Когнитивная модель ситуации. 5) Изучение модели системы(структурный анализ). 6) Знания о принципах и реальной возможности решения проблемы. 7) Моделирование сценариев развития и решения проблемы. 8) Знания о возможных тенденциях развития и рычагах воздействия на ситуацию. 9) Проверка и применение знаний о возможных тенденциях развития и рычагах воздействия на ситуацию.
• Моделирование основано на социальном подходе. Сценарий – совокупность тенденций, характерных ситуаций в настоящий момент, желательность целей развития, комплекса мероприятий, воздействия на развитие системы и система наблюдения параметров (факторов), иллюстрирование поведенческих процессов.
• Сценарий может моделироваться по трем основным направлениям: 1) Прогноз развития системы без воздействия на процесс ситуации. 2) Прогноз развития системы с выбранным комплексом мероприятий(прямая задача). 3) Синтез комплексных мероприятий для достижения необходимого изменения состояния ситуации(обратная задача).
Этапы моделирования: • Определение начальных условий, тенденций, которые характеризуют развитие ситуации. Это необходимо для придания адекватности модельного сценария в реальной ситуации. • Задание целевых желаемых направлений (увеличение - уменьшение) и силы (слабо - сильно), изменение тенденций, процессов в ситуациях. • Выбор комплекса мероприятий, совокупности управляющих факторов, определение их возможностей и желаемой силы и направления воздействия на ситуацию. • Выбор комплекса возможных воздействий на ситуацию(мероприятий, факторов), на силу и направление, которые необходимо определить. • Выбор наблюдаемых факторов (индикаторов), которые характеризуют развитие ситуации осуществляется в зависимости от целей анализа и желаний пользователя.
Классификация ИИС
• • • • 1) Системы с интеллектуальным интерфейсом. 2) Экспертные системы. 3) Самообучающиеся системы. 4) Интеллектуальные базы данных. 5) Системы с естественно-языковым интерфейсом (ЕЯ системы) 6) Гипертекстовые системы. 7) Контекстные системы помощи. 8) Системы с когнитивной графикой. 9) Классифицирующие системы. 10) Доопределяющие системы. 11) Трансформирующие системы. 12) Многоагентные системы. 13) Индуктивные системы. 14) Нейронные сети. 15) Системы на прецедентах. 16) Информационные хранилища.
Системы с интеллектуальным интерфейсом • Интеллектуальные БД отличаются от обычных баз данных возможностью выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющихся данных. • Пример: • - Вывести список товаров, цена которых выше среднеотраслевой. • - Вывести список товаров-заменителей некоторой продукции. • - Вывести список потенциальных покупателей некоторых товаров. • Для выполнения запросов первого типа необходимо сначала провести расчет среднеотраслевой цены по всей БД, и после этого отправить запрос. • Для выполнения запросов второго типа необходимо вывести значения характерных признаков объекта, а затем уже по ним произвести поиск. • Для запроса третьего типа следует определить список посредниковпродавцов, выполняющих продажу товара, а затем произвести поиск связанных с ними покупателей.
• Во всех рассмотренных типах запросов требуется произвести поиск по условию, которое должно быть доопределено в ходе решения задачи. То есть сама интеллектуальная система без помощи пользователя по структуре БД строит путь доступа к файлам данных. • Формулирование запроса осуществляется в диалоге с пользователем, последовательность шагов которого выполняется в форме, наиболее удобной для пользователя. • Запрос к БД может осуществляться и с помощью естественно-языкового интерфейса.
Продукционная модель • - Модель, основанная на правилах – позволяет представить знания в виде предложений, состоящих из 2 частей – “если” и “то”. • Под условием понимается некоторое предложение (образец), по которому осуществляется поиск в базе знаний. А под действием понимается наше действие при успешном исходе поиска. • Они могут быть промежуточными, выступающими далее как другие условия, а могут быть терминальными (целевыми), т. е. такие, которые завершают работу условия. • При использовании продукционной модели база знаний состоит из набора правил. Перебором правил управляет программа, которая называется машина вывода (интерпретатор).
• Вывод бывает прямым – от данных к цели. И обратным – вывод от цели для ее подтверждения к данным. • Данные – исходные факты, на основе которых запускается машина вывода. • Пример: • Имеется фрагмент базы знаний, включающей только 2 правила: • R 1 – если «отдых планируется летом и человек активный» , то «следует ехать в горы» . • R 2 – если «любит солнце» , то «отдых следует запланировать летом» . • Данные: человек активный, любит солнце
• • • Проход правил 1: Шаг 1. Пробуем правило R 1 – не работает, нет данных. Шаг 2. Пробуем правило R 2. Проход 2. Шаг 1. Пробуем правило R 1 – активизируется правило «ехать в горы» . Обратный вывод: 1 й проход Шаг 1. Цель ехать в горы, пробуем R 1, данных нет, они становятся целью, ищется правило в переменной цели. Шаг 2. Отдых летом подтверждает R 2 и активизирует ее. Шаг 3. Пробуем R 1, подтверждается цель.
• Продукционная модель чаще всего применяется в промышленных экспертных системах. • Она привлекает разработчиков своей наглядностью, высокой модульностью. • Легкостью внесения дополнений и изменений. • И простотой механизма логического вывода. • Существует большое число программных средств, которые реализуют продукционную модель. • Например OPS-5, EXSIS, СПЭИ
Семантические сети • Термин семантические сети означает “смысловая”. • А сама семантика – наука, которая устанавливает отношения между символами и объектами, которые они объясняют. Наука, определяющая смысл знаков. • Семантическая сеть – ориентированный граф, вершины которого представляют понятия, а линии (дуги) представляют отношения между ними. • Понятиями обычно выступают абстрактные или конкретные объекты. • Отношения – это связи между этими объектами. • Характерная особенность семантических сетей – это обязательное наличие 3 типов отношений.
• Пример: класс – элемент класса, свойство – значение. • Существует несколько классификаций семантических сетей: • По количеству отношений – Однородные с единственным типом отношений; – Неоднородные с различными типами отношений. • По типам отношений – Бинарные сети – в которых отношения связывают 2 объекта; – Парные сети – в которых отношения связывают более чем 2 понятия.
Наиболее часто используются в семантических сетях: 1. Связь “часть – целое” (класс подкласс, элемент - множество); 2. Функциональные связи (производит, владеет); 3. Количественные отношения (A > 0, B < 0); 4. Пространственные отношения (далеко от, близко от, над, за и т. п. ); 5. Временные (раньше, позже, одновременно); 6. Атрибутивные (иметь свойство, иметь значение); 7. Логические связи – и, или, не. • Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу.
Модель
• Преимущества модели: – совпадает с тем, как человек познает мир; - соответствие долговременной памяти человека. • Недостатки: - сложность с поиском вывода. • Реализации: NET, PROSPECTOR, CASNET, TORUS – языки представления знаний в виде семантической сети.
Фрейм • Frame – рамка • Frame – как структура знаний для восприятия пространственных сцен. • Под фреймом понимается абстрактный образ или ситуация. • Абстрактный образ. Пример: • Слово “комната” – ассоциируется с образом жилого помещения с окнами, дверьми, полом и потолком и с площадью равной примерно 6 -20 кв. метров. Есть пустые места – количество окон, цвет стен, высота потолка и т. д. • В теории фреймов такой образ называют фреймом. • Фреймом называют формализованную модель для отображения образа.
Структура фрейма Слотом может являться другой фрейм. Различают фреймы – образцы (прототипы, которые хранятся в базе данных, и фреймы – экземпляры, которые создаются для отражения реальной ситуации, на основе поступающих данных.
• Пример: – Магазин – образец; – Булочный магазин – экземпляр. • Модель фреймов является действительно универсальной, т. к. позволяет отображать все множество знаний о мире через следующие фреймы: • Фрейм - структура – предмет или понятие; • Фрейм – роль; • Фрейм – сценарий; • Фрейм – ситуация. • Важнейшим свойством теории фреймов является заимствование из теории семантических сетей полезных свойств • AKO – связи (a kind of - это) • Слот АКО указывает на фрейм более высокого уровня иерархии, откуда наследуется свойство.
• Основное преимущество фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека, а также гибкость и наглядность. • Существует специальный язык представления знаний в сетях фреймов. FRL, на них построены промышленные экспертные системы ANALIST, НОДИС.
Формальные модели • Основная идея подхода при построении формальных логических моделей представления знаний: Вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и убеждений, которые представляются как формулы в некоторой логике. • Знания отображают совокупность таких формул, а получение новых знаний сводится к реализации процедур логического вывода. • В основе логических моделей представления знаний находится понятие формальной теории. Понятие задается кортежем: • S =
• Достоинства логических моделей представления знаний. 1. В качестве фундамента используется классический аппарат математической логики, методы, которые хорошо изучены и формально обоснованы. 2. Существуют достаточно эффективные процедуры вывода, в том числе реализованные на языке логического программирования – PROLOG. 3. В базах знаний можно хранить лишь множество аксиом, а все остальные знания получают путем логического вывода.