Добавлен: 06.07.2023
Просмотров: 41
Скачиваний: 1
По способу формирования решения ЭС можно разделить на анализирующие и синтезирующие. В системах первого типа осуществляется выбор решения из множества известных решений на основе анализа знаний, в системах второго типа решение синтезируется из отдельных фрагментов знаний.
В зависимости от способа учёта временного признака ЭС делят на статические и динамические. Статические ЭС предназначены для решения задач с неизменяемыми в процессе решения данными и знаниями, а динамические ЭС допускают такие изменения.
По видам используемых данных и знаний различают ЭС с детерминированными и неопределёнными знаниями. Под неопределённостью знаний и данных понимаются их неполнота, ненадёжность, нечёткость.
ЭС могут создаваться с использованием одного или нескольких источников знаний. В соответствии с перечисленными признаками можно выделить четыре основных класса ЭС, классифицирующие, доопределяющие, трансформирующие и мультиагентные.
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 определёнными данными и знаниями. В таких ЭС возникают задачи интерпретации нечётких знаний и выбора альтернативных направлений поиска в пространстве возможных решений. В качестве методов обработки неопределённых знаний могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечёткая 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:
− генерация и проверка гипотез;
− логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определённого класса, которые впоследствии адаптируются к конкретным условиям изменяющихся ситуаций);
− использование метазнаний (более общих закономерностей) для устранения неопределённостей 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.
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 определённого исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков.
Технология OLAP (On-Line Analytical Processing – оперативный анализ данных) предоставляет пользователю средства для формирования и проверки гипотез о свойствах данных или отношениях между ними на основе разнообразных запросов к базе данных. Они применяются на ранних стадиях процесса извлечения знаний, помогая аналитику сфокусировать внимание на важных переменных. Средства Data Mining отличаются от OLAP тем, что кроме проверки предполагаемых зависимостей они способны самостоятельно (без участия пользователя) генерировать гипотезы о закономерностях, существующих в данных, и строить модели, позволяющие количественно оценить степень взаимного влияния исследуемых факторов на основе имеющейся информации.
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 лёгкой и быстрой реконструкции при изменении проблемной среды.
Адаптивные свойства информационных систем обеспечиваются за счёт 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. Реализация этого подхода основана на использовании систем автоматизированного проектирования, или CASE-технологий (Designer 2000, Silver Run, Natural Light Storm и др.).
При типовом проектировании осуществляется адаптация типовых разработок к особенностям проблемной области. Для реализации этого подхода применяются инструментальные средства компонентного (сборочного) проектирования информационных систем (R/3, BAANIV, Prodis и др.).
Главное отличие подходов состоит в том, что при использовании CASE-технологии на основе репозитория при изменении проблемной области каждый раз выполняется генерация программного обеспечения, а при использовании сборочной технологии – конфигурирование программ и только в редких случаях – их переработка.
Отличия систем искусственного интеллекта от обычных программных систем
Рассмотрим отработанные на сегодняшний день элементы технологии создания ИИС на примере разработки экспертных систем. Этот выбор обусловлен тем, что ЭС получили весьма широкое распространение во многих сферах человеческой деятельности, а технологии их создания имеют универсальный характер и не требуют аппаратных реализаций.
|
Характеристика |
Программирование в системах искусственного интеллекта |
Традиционное программирование |
|
Тип обработки |
Символьный |
Числовой |
|
Метод |
Эвристический поиск |
Точный алгоритм |
|
Задание шагов решения |
Неявное |
Явное |
|
Искомое решение |
Удовлетворительное |
Оптимальное |
|
Управление и данные |
Смешаны |
Разделены |
|
Модификации |
Частые |
Редкие |
|
Знания |
Неточные |
Точные |
Экспертными системами называют сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей.
В самых первых ЭС не учитывалось изменение знаний, используемых в процессе решения конкретной задачи. Их назвали статическими ЭС. Типичная статическая ЭС содержит следующие основные компоненты:
− базу знаний;
− рабочую память, называемую также базой данных;
− решатель (интерпретатор);
− систему объяснений;
− компоненты приобретения знаний;
− интерфейс с пользователем.
База знаний ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область, и правил, описывающих целесообразные преобразования данных этой области.
Тестирование ПО ИИ отличается от тестирования обычных систем, так как для первых характерно недетерминированное поведение вследствие использования стратегии разрешения конфликтов, зависящей от параметров периода исполнения программы. Поэтому единственным эффективным способом тестирования систем ИИ является прототипизация.
Фаза сопровождения, включающая выполнение самых различных модификаций системы, является важнейшим этапом процесса разработки любой системы, но имеет свою специфику для систем ИИ. Здесь база знаний — наиболее динамичный компонент и меняется в течение всего жизненного цикла. Поэтому сопровождение интеллектуальных систем — серьезная проблема. Но именно вопросам сопровождения уделяется мало внимания, хотя в обычном программировании имеются средства, которые могли бы быть адаптированы и для случая ПО ИИ. Это, например, системы управления версиями, системы управления конфигурацией и системы модифицирующих запросов.
Таким образом, создание ПО систем, основанных на знаниях, имеет как общие моменты с разработкой традиционных систем ПО, так и свою специфику, которая явным образом должна отражаться в соответствующих моделях жизненного цикла.
ЗАКЛЮЧЕНИЕ
Области применения существующих на сегодняшний день систем ИИ охватывает множество сфер: медицинскую диагностику, интерпретацию геологических данных, научные исследования в химии и биологии, военное дело, производство, финансы и другие области. Однако, несмотря на значительные успехи в области ИИ, пока еще существует определенный разрыв между техническими разработками, программными средствами ИИ и возможностями их более широко практического применения в частности, в экономике.
Список источников информации
- Интеллектуальные информационные системы и технологии: учебное пособие / Ю.Ю. Громов, О.Г. Иванова, В.В. Алексеев
- Абдикеев Н.М. Интеллектуальные информационные системы: Учебное пособие. - М.: КОС-ИНФ, Рос. экон. акад., 2003. – 188 с.
- Интеллектуальные методы для создания информационных систем: учебное пособие / Е.Ю. Головина. – М.: Издательский дом МЭИ, 2011. – 102 с. - ISBN 978-5-383-00212-4
- Г.В. Рыбина, А.О. Дейнеко "Распределенное приобретение знаний для автоматизированного построения интегрированных экспертных систем", Журнал «Искусственный интеллект и принятие решений» под гл. редакцией академика С.В. Емельянова, номер 2010 / 04