Файл: Применение нейронных сетей в экономике (Развитие систем искусственного интеллекта).pdf

Средства ИИ могут использоваться для реализации различных функций, выполняемых ИИС. Признаками ИИС являются следующие интеллектуальные функции:

• коммуникативные способности - способ взаимодействия конечного пользователя с системой; 
• решение сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний; 
• способность к самообучению - умение системы автоматически извлекать знания из накопленного опыта и применять их для решения задач; 
• адаптивность - способность системы к развитию в соответствии с объективными изменениями области знаний. 

Интеллектуальные информационные системы

Системы с интеллектуальным интерфейсом (коммуникативные системы)

Экспертные системы (решение сложных плохо формализуемых задач) Самообучающиеся системы (способность к самообучению)

Адаптивные информационные системы (адаптивность)

Интеллектуальные базы данных 

Естественно-языковый интерфейс

Гипертекстовые системы

Системы контекстной помощи

Когнитивная графика 

Классифицирующие 

Доопределяющие

Трансформирующие

Мультиагентные

Индуктивные системы

Нейронные сети

Системы, основанные на прецедентах

Информационные хранилища

CASE-технологии

Компонентные технологи

Применение ИИС для усиления коммуникативных способностей информационных систем привело к появлению систем с интеллектуальным интерфейсом.

Среди них можно выделить следующие типы [16, c. 28]:

1. Интеллектуальные базы данных позволяют в отличие от традиционных баз данных (БД) обеспечивать выборку необходимой информации, не присутствующей в явном виде, а выводимой из совокупности хранимых данных.

2. Естественно-языковой (ЕЯ) интерфейс применяется для доступа к интеллектуальным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд в системах управления, машинного перевода с иностранных языков. Для реализации ЕЯ - интерфейса необходимо решить проблемы морфологического, синтаксического и семантического анализа, а также задачу синтеза высказываний на естественном языке. При морфологическом анализе осуществляются распознавание и проверка правильности написания слов в словаре. Синтаксический контроль предполагает разложение входных сообщений на отдельные компоненты, проверку соответствия грамматическим правилам внутреннего представления знаний и выявление недостающих частей.

Семантический анализ обеспечивает установление смысловой правильности синтаксических конструкций. В отличие от анализа синтез высказываний заключается в преобразовании цифрового представления информации в представление на естественном языке.

3. Гипертекстовые системы используются для реализации поиска по ключевым словам в базах данных с текстовой информацией. Для более полного отражения различных смысловых отношений терминов требуется сложная семантическая организация ключевых слов. Решение этих задач осуществляется с помощью интеллектуальных гипертекстовых систем, в которых механизм поиска сначала работает с базой знаний ключевых слов, а затем - с самим текстом. Аналогичным образом проводится поиск мультимедийной информации, включающей кроме текста графическую информацию, аудио - и видео образы.

4. Системы контекстной помощи относятся к классу систем распространения знаний. Такие системы являются, как правило, приложениями к документации.

5. Системы когнитивной графики ориентированы на общение с пользователем ИИС посредством графических образов, которые генерируются в соответствии с изменениями параметров моделируемых или наблюдаемых процессов. Применение когнитивной графики особенно актуально в системах мониторинга и оперативного управления, в обучающих и тренажерных системах, в оперативных системах поддержки принятия решений (СППР), работающих в режиме реального времени.

Экспертные системы как самостоятельное направление в искусственном интеллекте сформировалось в конце 1970-х гг. Группа по экспертным системам при Комитете British Computer Society определила ЭС как «воплощение в ЭВМ компоненты опыта эксперта, основанной на знаниях, в такой форме, что машина может дать интеллектуальный совет или принять решение относительно обрабатываемой функции».

Одним из важных свойств ЭС является способность объяснить ход своих рассуждений понятным для пользователя образом. Область исследования ЭС называют «инженерией знаний». Этот термин был введен Е. Фейгенбаумом и в его трактовке означает «привнесение принципов и инструментария из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов». Другими словами, ЭС применяются для решения неформализованных проблем, к которым относят задачи, обладающие одной (или несколькими) из следующих характеристик [14, c. 61]:

• задачи не могут быть представлены в числовой форме; 
• исходные данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью; 
• цели нельзя выразить с помощью четко определенной 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 экономика и бизнес, производство, медицина, проектирование и системы управления. Во многих случаях ЭС являются инструментом, усиливающим интеллектуальные способности эксперта. Кроме того, ЭС может выступать в роли:

• консультанта для неопытных или непрофессиональных пользователей; 
• ассистента эксперта-человека в процессах анализа вариантов решений; 
• партнера эксперта в процессе решения задач, требующих привлечения знаний из разных предметных областей. 

Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в таких системах является дедуктивный логический вывод.

Доопределяющие ЭС используются для решения задач с не полностью определенными данными и знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний и выбора альтернативных направлений поиска в пространстве возможных решений. В качестве методов обработки неопределенных знаний могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая 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 [11, c. 63]: 

• генерация и проверка гипотез; 
• логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определенного класса, которые впоследствии адаптируются к конкретным условиям изменяющихся ситуаций); 
• использование метазнаний, более общих закономерностей для устранения неопределенностей в ситуациях. 

Мультиагентные системы - это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми результатами в ходе решения задач. Системы данного класса имеют следующие возможности: 
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. 

6. 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 определенного исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков. Стратегия «обучения с учителем» предполагает задание специалистом для каждого примера значений признаков, показывающих его принадлежность к определенному 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.

Индуктивные системы позволяют обобщать примеры на основе принципа индукции «от частного к общему». Процедура обобщения сводится к классификации примеров по значимым признакам [10, c. 24].

Алгоритм классификации примеров включает следующие основные шаги:

1. выбор классификационного признака из заданного множества;

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, то есть 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 - обобщенное 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.

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.

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. Предметная ориентация означает, что данные объединены в категории и хранятся в соответствии с теми областями, которые они описывают, а не с приложениями, которые их используют. В хранилище данные интегрируются в целях удовлетворения требований предприятия в целом, а не отдельной функции бизнеса. Привязанность данных ко времени выражает их «историчность», то есть 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.

7. Адаптивные информационные системы.

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 легкой и быстрой реконструкции при изменении проблемной среды. 

Адаптивные свойства информационных систем обеспечиваются за счет 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.