Компьютерные информационные технологии Тема 6 Технологии и системы

Компьютерные информационные технологии Тема 6. Технологии и системы искусственного интеллекта Старший преподаватель ИБМТ БГУ Васильева Ирина Леонидовна

Тема 6. Технологии и системы искусственного интеллекта 29. Понятие искусственного интеллекта (ИИ) и этапы развития систем ИИ 30. Математические модели и аппаратнопрограммная реализация систем ИИ 31. Направления использования систем искусственного интеллекта 32. Интеллектуальный анализ данных. Управление знаниями 33. Системы поддержки решений (СППР) 34. Экспертные системы

Основные понятия • интеллект (intelligence) происходит от латинского intellectus — что означает ум, рассудок, разум, мыслительные способности человека. • искусственный интеллект (artificial intelligence) — ИИ (AI) свойство автоматических систем брать на себя отдельные функции интеллекта человека

Основные понятия ИИ - это область научного знания, объединяющая различные направления, занимающиеся исследованиями принципов и закономерностей мыслительной деятельности и моделированием интеллектуальных задач

Задачи интеллектуальных систем • • • распознавание ситуаций распознавание образов логический анализ планирование поведения игры управление в условиях неопределенности

Структура систем ИИ • базы знаний (БЗ) и подсистемы извлечения знаний (ядро СИИ) • подсистема формирования цели • подсистема вывода на знаниях • подсистема диалогового общения • подсистема обработки внешней и внутренней информации • подсистема обучения и самообучения • подсистема контроля и диагностики

Этапы развития СИИ • 1 этап. Создание ЭВМ, имитирующей процесс человеческого мышления (машина-персептрон американского физиолога Ф. Розенблатта ) • 2 этап. Появление интегральных роботов, которые должны были выполнять определенные операции в технологических процессах, работать в опасных для человека средах • 3 этап. Развитие ЭС. Медицинская диагностика, обучение, консультирование, проектирование, автоматическое программирование, проектирование сверхбольших интегральных схем, планирование в различных предметных областях и анализ данных, интерпретация геологических данных и выработка рекомендаций по обнаружению полезных ископаемых • 4 этап. Нейронные сети. Нейтронные сети используются в медицинской диагностике, управлении самолетом, налоговых и почтовых службах и др. областях человеческой деятельности

Направления моделирования СИИ Объект исследования Цель моделирования Структура и механизмы Построение моделей на основе работы мозга человека психофизиологических данных (естественный интеллект): человека имитация процесса мышления Искусственный интеллект: моделирование интеллектуальной деятельности с помощью ЭВМ Создание алгоритмического и программного обеспечения ЭВМ, позволяющего решать интеллектуальные задачи не хуже человека Симбиоз возможностей естественного и искусственного интеллекта создание смешанных человекомашинных - интерактивных интеллектуальных систем

Подходы к моделированию СИИ Логический Основа - булева алгебра и ее логические операторы, например, оператор IF (если). Применение: машины доказательства теорем. Характерна большая трудоемкость, требует больших вычислительных ресурсов Эволюционный Универсальный способ построения прогнозов состояний системы в условиях задания их предыстории. Основа- генетические алгоритмы – это стохастические, эвристические оптимизационные методы, предложенные Дж. Холландом (1975), основанные на теории естественного отбора, выдвинутой Ч. Дарвином (1857) Имитационный Основа – модель «черного ящика» (система, в которой внешнему наблюдателю доступны лишь входные и выходные величины, а структура и внутренние процессы неизвестны). Применение: имитация поведения объектов и прогнозирование ситуаций Структурный Основа – построение нейронных сетей, моделирующих структуру человеческого мозга. Реализована идея построения вычислительного устройства из большого числа параллельно работающих простых элементов – формальных нейронов, которые функционируют независимо друг от друга и связаны между собой однонаправленными каналами передачи информации. Применяется в различных областях – бизнесе, медицине, технике, геологии, физике, где нужно решать задачи прогнозирования, классификации или управления

Направления развития ИИ Нейрокибернетика Ориентирована на аппаратное моделирование структур, подобных структуре человеческого мозга (нейронов) сосредоточены на создании элементов, аналогичных нейронам, и их объединении в функционирующие системы - нейронные сети Кибернетика «черного ящика» Не имеет значения, как устроено «мыслящее» устройство, главное, чтобы на заданные входные воздействия оно реагировало так же, как человеческий мозг - поиски алгоритмов решения интеллектуальных задач на существующих моделях компьютеров

Понятие искусственной нейронной сети Искусственные нейронные сети (ИНС) – это математические модели и их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей ИНС используется когда неизвестны виды связей между входами и выходами. Для того чтобы сеть можно было применять в дальнейшем, ее надо «натренировать» на полученных ранее данных, для которых известны и значения входных параметров, и правильные ответы на них

Подходы к созданию ИНС • аппаратный, ориентированный на создание специальных компьютеров, плат расширения, наборов микросхем, реализующих все необходимые алгоритмы • программный, ориентированный на создание программ и инструментариев, рассчитанных на высокопроизводительные компьютеры. Сети создаются в памяти компьютера, всю работу выполняют его собственные процессоры • гибридный - комбинация первых двух. Часть вычислений выполняют специальные платы расширения (сопроцессоры), часть – программные средства

Модели «черного ящика» • модель лабиринтного поиска, представляет задачу как некоторый граф, отражающий пространство состояний, и в этом графе проводится поиск оптимального пути от входных данных к результирующим • эвристическое программирование, разработка стратегии действий на основе известных, заранее заданных эвристик (правил, теоретически не обоснованных, но позволяющих сократить количество переборов в пространстве поиска)

Направления использования систем ИИ • • логические игры (шашки, шахматы) доказательство теорем кибернетические игрушки деловые или военные игры, имеющие большое прикладное значение распознавание образов и ситуаций машинный перевод робототехника экспертные и диагностические системы

Основные понятия • Информация — совокупность сведений (полезная информация + + информационный мусор) об объекте, процессе или явлении, являющаяся объектом хранения, передачи, преобразования и помогающая решить поставленную задачу • Полезная информация – набор сведений, уменьшающих степень неопределенности у их получателя • Релевантная информация – полезная информация, полностью устраняющая степень неопределенности у получателя • Информационный мусор – данные, не несущие полезной информации и многократно увеличивающие временные и прочие издержки пользователя на извлечение и обработку полезной информации. • Данные – информация, характеризующая объекты, процессы, явления предметной области и их свойства, представленная в формализованном виде, предназначенная для хранения, передачи, приема и обработки

Основные понятия Анализ данных - действия, направленные на извлечение из них информации об исследуемом объекте и на получение по имеющимся данным новых данных Интеллектуальный анализ данных (ИАД) – анализ данных с активным использованием математических методов и алгоритмов (методы оптимизации, генетические алгоритмы, распознавание образов, статистические методы, Data Mining и т. д. ), использующих результаты применения методов визуального представления данных

Общая схема ИАД

Стадии ИАД 1. выявление закономерностей (свободный поиск) 2. использование выявленных закономерностей для предсказания неизвестных значений (прогнозирование) 3. анализ исключений для выявления и толкования аномалий в найденных закономерностях

Классификация методов ИАД по принципу работы с исходными данными • • Методы рассуждений на основе анализа прецедентов – исходные данные могут храниться в явном детализированном виде и непосредственно использоваться для прогнозирования и/или анализа исключений. Недостатком этой группы методов является сложность их использования на больших объемах данных Методы выявления и использования формализованных закономерностей, требующие извлечения информации из первичных данных и преобразования ее в некоторые формальные конструкции, вид которых зависит от конкретного метода

Примеры применение методов ИАД в финансах и маркетинге Приложение (организация) Описание FALCON (HNC Software, Инструментальное средство для оперативного Inc. ) выявления злоупотреблений с кредитными карточками; более 100 организаций-пользователей отмечают сокращение числа нарушений на 20 -30%. Классификатор Выявление счетов потенциально платежеспособных дебиторских счетов дебиторов на основе анализа больших объемов (Internal Revenue Service) архивных данных по уплате налогов. Повышение качества архивной финансовой информации (Lockheed) Выявление закономерностей (в виде правил вывода) в архивных финансовых данных для использования в моделях прогнозирования, системах поддержки принятия решений по инвестированию и т. д.

Примеры применение методов ИАД в финансах и маркетинге Приложение (организация) Описание Верификация Система выявления ошибок в оперативно поступающих данных по курсам валют. С помощью нейронных сетей и индуктивного валют (Reuters) вывода правил строятся приблизительные прогнозы, которые сравниваются с поступающими данными. Большие отклонения рассматриваются как возможные ошибки. Прогнозирование невыплат в сделках с недвижимостью (Leeds) Анализ архивных данных по сделкам с недвижимостью и выявление паттернов, соответствующих проблемным сделкам, заканчивающимся невыплатами. Выявленные закономерности используются для оценки риска при заключении новых сделок. Маркетинговые Определение характеристик типичных покупателей продукции исследования компании для выявления новых потенциальных клиентов (Dickinson Direct) (профилирование клиентов).

Примеры применение методов ИАД в финансах и маркетинге Приложение (организация) Описание Выявление основных сегментов рынка и наиболее благоприятных Маркетинговые исследования (Reader's подмножеств, а также исследование зависимостей между основными показателями и характеристиками сегментов. Digest Canada) Установка лотерейных автоматов (Automated Wagering, Inc. ) Объединение методов ИАД с географическим анализом для определения наилучших мест для установки лотерейных автоматов в штате Флорида. Выявление потенциальных покупателей автомобильных стерео систем (Washington Auto Audio, Inc. ) Анализ демографической базы данных, содержащей информацию о 14000 реальных и потенциальных клиентов, позволил за 90 секунд получить 3 довольно надежных индикатора для прогноза спроса на продукцию и услуги компании. Аналогичные результаты были получены в результате традиционного исследования, выполненного одной из консалтинговых компаний, причем это исследование обошлось фирме на порядок дороже, чем автоматизированная система интеллектуального анализа данных.

Примеры задач, решаемые методами ИАД в банках • получение отчетности банка и проверка ее полноты и корректности • проведение группировки статей баланса и расчет экономических нормативов и аналитических коэффициентов (например, по методу CAMEL) • оценка состояния банка по системе аналитических коэффициентов • определение рейтинга банка • анализ динамики основных показателей, выявление тенденций и прогнозирование состояния банка • анализ степени влияния тех или иных факторов на состояние банка • выработка рекомендаций по оптимизации банковского баланса и т. д.

Классификация систем ИАД • исследовательские, ориентированные на специалистов и предназначенные для работы с новыми типами проблем • прикладные, рассчитанные на аналитиков, менеджеров, технологов и т. д. • решающие типовые задачи

Технологии ИАД Data Mining (DM)– это технология обнаружения в «сырых» данных ранее неизвестных нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности

Задачи, решаемые на основе технологии DM • • • Классификация – отнесение объектов (наблюдений, событий) к одному из заранее известных классов Прогнозирование – процесс предсказания будущего состояния объекта или значений его характеристик на основе имеющихся ретроспективных данных Кластеризация – группировка объектов на основе данных, описывающих сущность этих объектов. Объекты внутри кластера должны обладать общими чертами и отличаться от объектов, вошедших в другие кластеры. Чем больше похожи объекты внутри кластера и чем больше отличий между кластерами, тем точнее кластеризация Ассоциация – выявление закономерностей между связанными событиями Последовательные шаблоны – установление закономерностей между связанными во времени событиями Анализ отклонений – выявление наиболее нехарактерных шаблонов

Программное обеспечение для реализации технологий Data Mining • • Poly Analyst Scenario 4 Thought Mine. Set и др.

Основные понятия Знание - проверенный общественной практикой логически полный ограниченный набор полезных сведений, который может многократно использоваться людьми для решения тех или иных задач. Такие сведения выражаются в системе понятий, принятой в рамках некоторой науки или производственной деятельности, и имеют стандартное представление

Классификация знаний поверхностные - знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области глубинные - абстракции, аналогии, схемы, отображающие структуру и процессы в предметной области

Формулы понятий информация = данные + смысл знание = информация + сравнение Для хранения данных используются базы данных Для хранения знаний – базы знаний

Модели представления знаний Название модели Сущность и область применения модели Продукционная модель Основана на правилах, позволяет представить знания в виде предложений: Если (условие), то (действие) (промышленные ЭС) Семантические сети Ориентированный граф, вершины которого - понятия, а дуги - отношения между ними (распознавание образов, перевод) Фреймовые модели Структуры знаний для восприятия пространственных сцен, различают фреймы-структуры, для обозначения объектов и понятий (заем, залог, вексель); фреймы-роли (менеджер, кассир, клиент); фреймы-сценарии (банкротство, собрание акционеров, празднование именин); фреймы-ситуации (тревога, авария, рабочий режим устройства) (диагностика, отработка сценариев, ЭС) Формальные логические модели Основаны нам моделях предметной области или задача описывается в виде набора аксиом (игрушки, доказательства)

Основные понятия Управление знаниями (Knowledge Management) – это систематическое приобретение, синтез, обмен и использование опыта для достижения успеха в бизнесе или в управлении компанией Управление знаниями - процесс использования того, что известно людям, на новом уровне, с целью повышения потенциала компании через использование лучших решений, интеллектуального капитала или организационного обучения

Основные типы знаний Явные знания – знания, представленные в компании в виде должностных инструкций, регламентов и положений о деятельности подразделений, корпоративные стандарты и другое Технологии управления такими знаниями: • комплексная организация (корпоративные архивы и таксономия[1]) • создание систем обеспечения разграниченного доступа персонала компании к необходимым знаниям • навигация в системе формальных знаний • поиск необходимых формальных знаний [1] Таксономия – (от греч. taxis – строй, порядок, расположение по порядку и nomos – закон), теория классификации и систематизации сложноорганизованных областей действительности, имеющих обычно иерархическое строение

Основные типы знаний Н е я в н ы е з н а н и я : эти знания нельзя увидеть, сложно задокументировать, передать их можно только посредством личного и непосредственного общения (чаще совместной работы). Могут содержаться в корпоративном хранилище данных (понимание конкретного корпоративного процесса, полученное в ходе ИАД скрытых структур, шаблонов или зависимостей) – для извлечения используются технологии ИИ и статистики Технологии извлечения и управления такими знаниями: • экспертное интервью, проводимое инженером по знаниям с целью формализации знаний • интервью при увольнении сотрудника с целью сохранения знаний • обучающее интервью • заполнение анкет и форм учета знаний • формализация экспертных дискуссий (инженер по знаниям может преобразовать дискуссию, прошедшую на форуме или совещании в обучающую аннотацию или справку) • наблюдение

Инструментарий управления знаниями • • • система Portalware (компания Glyphica) Portal-in-a-Box, Content Server и др. (Autonomy) Plumtree Server (Plumtree Software) Hyperknowledge Builder (Hyperknowledge) Intraspect Knowledge Server 2. 0 (Intraspect Software) • Documentum Enterprise Document Management System – EDMS (Documentum) • Livelink (Open Text) и др.

Системы бизнес-интеллекта (Business Intelligence, BI) Системы бизнес-интеллекта (Business Intelligence, BI) – класс ИС, которые позволяют преобразовать разрозненные и необработанные данные операционной деятельности предприятия в структурированную информацию и знания, используемые для принятия управленческих решений. В отличие от стандартных систем отчетности, BIсистемы основаны на технологиях моделирования ситуации, поведения объектов и визуализации их деятельности и играют ключевую роль в процессе стратегического планирования деятельности корпорации. ВI-решения являются надстройкой к ERP-системе

Архитектура BI

Сегментация рынка BI • • • OLAP-продукты Инструменты добычи данных Средства построения Хранилищ и Витрин данных (Data Warehousing) Управленческие информационные системы и приложения Инструменты конечного пользователя для выполнения запросов и построения отчетов Лидеры поставщиков корпоративных BI-платформ: • • – – – – Micro. Strategy Business Objects Cognos Hyperion Solutions Microsoft Oracle SAP и др.

BI-системы на белорусском рынке • Hyperion® System™ 9 (фирма EPAM) - объединяет платформу Business Intelligence с финансовыми приложениями в одну модульную систему. Внедрена на Белорусском металлургическом заводе (г. Жлобин), в концерне «Белнефтехим» • Галактика Business Intelligence (фирма Топ. Софт) – комплекс приложений для поддержки принятия решений в сбытовой деятельности. Внедрена в компаниях «British-American Tobacco» и «МАВ» (производство красок) • Oracle Marketing analyst из Oracle BI Suite - глубокий анализ базы клиентов. Внедрения в телекоммуникационных компаниях, в банках

Определения СППР • СППР - это интерактивные автоматизированные системы, помогающие лицу, принимающему решения (ЛПР), использовать данные, знания и модели для анализа и решения слабоструктуризированных проблем • СППР - это система, которая обеспечивает пользователям доступ к данным и моделям с целью принятия наилучшего решения

Характеристики СППР • СППР использует и данные, и модели • поддерживает, а не заменяет, выработку решений • может быть адаптирована для группового и индивидуального использования • поддерживает 3 фазы процесса принятия решения: интеллектуальную часть, проектирование и выбор • проста в использовании и модификации • улучшает эффективность процесса принятия решений • позволяет использовать накопленные знания и опыт

Архитектура СППР – система управления данными (the data management system - DBMS), – система управления моделями (the model management system – MBMS), – машина знаний (the knowledge engine (KE)), – интерфейс пользователя (the user interface) – пользователи (the user(s)).

Этапы процесса принятия решения 1. Формулировка проблемной ситуации 2. Определение целей 3. Определение критериев Системный анализ Методы построения дерева целей Методы теории полезности 4. Построение моделей для обоснования решения Имитационные модели Методы экспертных оценок Статистические методы Эконометрические модели Методы прогнозирования ситуаций 6. Согласование решения Принципы рационального компромисса Методы теории игр Деловые игры Правовые нормы Методы социологического анализа 7. Подготовка решения к реализации Методы сетевого планирования Методы планирования в пространстве Методы экспертных оценок 8. Утверждение решения Учет ограничений правовые и нравственные нормы Деловые качества исполнителя Последствия от решения Оптимизационные модели Модели массового обслуживания Модели удовлетворения ограничений 9. Управление ходом реализации решения Методы сетевого управления Методы контроля исполнения поручений 5. Поиск решения Имитационный эксперимент Методы оптимизации Методы удовлетворения ограничений 10. Оценка эффективности решения Социологический анализ Производственный анализ Финансовый анализ

Классификации СППР • • на уровне пользователя на концептуальном уровне на техническом уровне в зависимости от данных, с которыми работают системы

Классификация СППР на уровне пользователя • Пассивные: помогают процессу принятия решения, но не могут вынести предложение, какое решение принять • Активные: могут сделать предложение, какое решение следует выбрать • Кооперативные СППР: позволяют ЛПР изменять, пополнять или улучшать решения, предлагаемые системой, посылая затем эти изменения в систему для проверки до тех пор пока не будет принято наилучшее решение

Классификация СППР на концептуальном уровне • СППР, управляемые сообщениями: поддерживают группу пользователей, работающих над выполнением общей задачи • СППР, управляемые данными: в основном ориентируются на доступ и манипуляции с данными • СППР, управляемые документами: управляют, осуществляют поиск и манипулируют неструктурированной информацией, заданной в различных форматах • СППР, управляемые знаниями: обеспечивают решение задач в виде фактов, правил, процедур • СППР, управляемые моделями: доступ и манипуляции с математическими моделями (статистическими, финансовыми, оптимизационными, имитационными)

Классификация СППР на техническом уровне • СППР всего предприятия: подключены к большим хранилищам информации и обслуживает многих менеджеров предприятия • настольные СППР: малые системы, обслуживающие лишь один компьютер пользователя

Классификация СППР в зависимости от данных • Оперативные: предназначены для немедленного реагирования на изменения текущей ситуации в управлении финансово-хозяйственными процессами компании (информационные системы руководства) • Стратегические: ориентированы на анализ значительных объемов разнородной информации, собираемых из различных источников (ОLAP-системы)

Понятие ЭС Экспертные системы (ЭС) - это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей ЭС - это система ИИ, которая включает в себя базу знаний с набором правил и механизмом вывода, позволяющую на основании этих правил и предоставляемых пользователем фактов распознавать ситуацию, ставить диагноз, формулировать решение или давать рекомендации для выбора действия

Назначение ЭС ЭС предназначены для решения неформализованных задач, обладающих одной или несколькими из следующих характеристик: – не могут быть заданы в числовой форме – цели не могут быть выражены в терминах точно определенной целевой функции – не существует алгоритмического решения задач – алгоритмическое решение существует, но его нельзя использовать из-за ограниченности ресурсов (время, память) Неформализованные задачи характеризуются: – ошибочностью, неоднозначностью – неполнотой и противоречивостью исходных данных, знаний о проблемной области и решаемой задаче – большой размерностью пространства решения, т. е. перебор при поиске решения весьма велик – динамически изменяющимися данными и знаниями

Классификация ЭС Признак классификация Назначение Виды ЭС общего назначения специализированные (проблемно-ориентированные для задач диагностики, проектирования, прогнозирования, предметноориентированные для специфических задач, например, контроля ситуаций на атомных электростанциях) Степень зависимости от внешней среды статические (не зависящие от внешней среды) динамические (учитывающие динамику внешней среды и предназначенные для решения задач в реальном времени) Тип использования изолированные ЭС на входе/выходе других систем гибридные (интегрированные с базами данных и другими программными продуктами) Стадии создания исследовательские образцы (разработанные за 1 -2 месяца с минимальной БЗ) демонстрационные (разработанные за 2 -4 месяца на языке типа LISP, PROLOG, CLIPS и др. ) промышленные (разработанные за 4 -8 месяцев на языке типа CLIPS с полной БЗ) коммерческие (разработанные за 1, 5 -2 года на языке типа С++, Java с полной БЗ)

Структура статической ЭС

Структура ЭС • Интерфейс пользователя – комплекс программ, реализующих диалог пользователя с ЭС как на стадии ввода информации, так и получения результатов • База знаний (БЗ) – ядро ЭС, совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю (обычно на некотором языке, приближенном к естественному) • Решатель (блок логического вывода) – программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ • Подсистема объяснений – программа, позволяющая пользователю получить ответы на вопросы; «Как была получена та или иная рекомендация? » и «Почему система приняла такое решение? » • Интеллектуальный редактор (алгоритмические методы решения) – программа, представляющая инженеру по знаниям возможность создавать БЗ в диалоговом режиме. Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок ( «help» - режим) и других сервисных средств, облегчающих работу с базой знаний

Коллектив разработчиков и пользователей ЭС - эксперт - инженер по знаниям - программист - пользователь Инженер по знаниям, это ключевая фигура при разработке систем, основанных на знаниях

Коллектив разработчиков и пользователей ЭС • Инженер по знаниям (аналитик) – специалист, как правило, знающий правила построения экспертной системы, организует знания, помогает программисту в написании программ • Эксперт - это опытный человек, способный ясно выражать свои мысли, пользующийся репутацией специалиста в данной предметной области, умеющий находить правильные решения в конкретной ситуации • Пользователь – специалист предметной области, для которого предназначена система, он нуждается в помощи и поддержке своей деятельности со стороны ЭС

Классификация ЭС по типу решаемой задачи Решаемая задача Пример существующих систем Интерпретация данных – согласованное и корректное определение смысла данных АВТАНТЕСТ – определение основных свойств личности по результатам психодиагностического тестирования. SIAP – обнаружение и идентификация различных типов океанских судов Диагностика – обнаружение неисправности в некоторой системе ANGY – диагностика и терапия сужения коронарных сосудов CRIB – диагностика ошибок в аппаратуре и математическом обеспечении ЭВМ Мониторинг – непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы СПРИНТ – контроль за работой электростанций FALCON – контроль аварийных датчиков на химическом заводе Проектирование – подготовка спецификаций на создание «объектов» с заранее определенными свойствами CADHELP – проектирование БИС SYN – синтез электрических цепей

Классификация ЭС по типу решаемой задачи Решаемая задача Пример существующих систем Прогнозирование – логический вывод вероятных следствий из заданных ситуаций (модели прогнозов с вероятностными оценками) WILLARD – предсказание погоды PLANT – оценки будущего урожая ЕСОN – прогнозы в экономике Планирование – нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции STRIPS – планирование поведения робота ISIS – планирование промышленных заказов Обучение – диагностируют ошибки при изучении какого-либо материала с помощью ЭВМ, подсказывают, планируют общение с обучаемым в зависимости от его успехов PROUST – обучение языку программирования Паскаль

Примеры крупномасштабных ЭС • MICIN — экспертная система для медицинской диагностики. Ставит соответствующий диагноз, исходя из представленных ей симптомов, и рекомендует курс медикаментозного лечения любой из диагностированных инфекций. База данных состоит из 450 правил. • PUFF — анализ нарушения дыхания. Данная система представляет собой MICIN, из которой удалили данные по инфекциям и вставили данные о легочных заболеваниях. • DENDRAL — распознавание химических структур. Пользователь дает системе DENDRAL некоторую информацию о веществе, а также данные спектрометрии (инфракрасной, ядерного магнитного резонанса и массспектрометрии), и та в свою очередь выдает диагноз в виде соответствующей химической структуры • PROSPECTOR — экспертная система, созданная для содействия поиску коммерчески оправданных месторождений полезных ископаемых

Продолжение следует ? Ваши вопросы? Ваши пожелания? Старший преподаватель ИБМТ БГУ Васильева Ирина Леонидовна

Спасибо за внимание!