Файл: Применение интеллектуальных технологий в экономических системах.pdf

Понятие и классификация интеллектуальных информационных систем

Интеллектуальная информационная система (ИИС) – это информационная система, которая основана на концепции использования базы знаний для генерации алгоритмов решения экономических задач различных классов в зависимости от конкретных информационных потребностей пользователей.

Интеллектуальная информационная система основывается на особенностях функционирования интеллектуальных информационных систем, а также степени их «интеллектуализации». Важнейшие признаки классификации ИИС: развитые коммуникативные способности, сложность (плохая формализуемость алгоритма), способность к самообучению. В различных ИИС признаки интеллектуальности развиты в неодинаковой степени. Условно каждому из признаков соответствует свой класс ИИС.

На основе обобщения различных классификаций в работе предложена классификация по признаку усложнения задач и потребностей пользователя (табл. 7.1).

Таблица 7.1

Классификации интеллектуальных информационных систем

Класс	Подкласс (вид)
1. Системы с интеллектуальным интерфейсом (коммуникативные способности)	1.1. Интеллектуальные базы данных. 1.2.Естественно-языковой интерфейс. 1.3.Гипертекстовые системы, мультимедиа. 1.4. Контекстные системы помощи. 1.5. Когнитивная графика
2. Экспертные системы (решение сложных интеллектуальных задач)	2.1. Классифицирующие системы. 2.2. Доопределяющие системы. 2.3. Трансформирующие системы. 2.4. Многоагентные системы
3. Самообучающиеся системы (способность к самообучению)	3.1. Индуктивные системы. 3.2. Нейронные сети. 3.3.Системы, основанные на прецедентах. 3.4. Информационное хранилище

1. Системы с интеллектуальным интерфейсом. Интеллектуальная БД реализует функции, обратные функциям экспертной системы. Интеллектуальные БД отличаются от обычных возможностью выбора по запросу информации, явно не хранящейся в базе. Эта информация может выводиться из имеющихся в БД информации. Система данного класса без помощи пользователя по структуре базы данных сама способна строить путь доступа к файлам данных, формируя при этом запрос в диалоге с пользователем. Последовательность шагов этого запроса реализуется в максимально удобной для пользователя форме, а сам запрос может формулироваться с применением ИИС естественно-языкового интерфейса.

---

Естественного-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Естественно-языковой интерфейс реализуется, например, в системах, обеспечивающих перевод на иностранные языки. Эта задача стояла перед разработчиками ИИС еще в самом начале развития интеллектуальных систем. Однако до настоящего момента задача адекватного автоматизированного перевода с (на) иностранные языки не решена, несмотря на достаточно большое количество ИИС в этом направлении. Для реализации естественно-языкового интерфейса необходимо решать задачи синтаксического, морфологического и семантического анализа, а также синтеза высказываний на естественном языке.

Естественно-языковой интерфейс используется для:

• доступа к интеллектуальным базам данных (о чем уже было упомянуто);

• контекстного поиска документальной текстовой информации;

• голосового ввода команд в системе управления (сейчас это направление широко развивается);

• машинного перевода с иностранных языков (существует множество проблем, указанных выше).

Гипертекстовые системы предназначены для реализации поиска на основе ключей (ключевых слов) по базам текстовой информации, а также нахождения мультимедийной информации, которая включает помимо текстовой и цифровой информации различные образы — графические, аудио, видео.

Системы контекстной помощи являются частным случаем интеллектуальных гипертекстовых и естественно-языковых систем. Эти системы отличаются от обычных систем помощи тем, что пользователь не применяет помощник как навигатор или руководство, а изначально описывает проблему. Интеллектуальная информационная система в этом случае с применением дополнительного диалога конкретизирует эту проблему, а затем сама реализует процесс относящихся к проблеме рекомендаций. Эти системы, по мнению многих исследователей, можно также отнести к классу систем распространения знаний.

Системы когнитивной графики реализуют интерфейс пользователя с интеллектуальной системой с помощью графических образов, причем эти образы могут генерироваться в соответствии и в зависимости от происходящих событий. Подобные системы могут использоваться в мониторинге, наблюдении, контроле и управлении оперативными процессами. Например, состояние сложного управляемого объекта в системе когнитивной графики может отображаться в виде человеческого лица. При этом каждая черта лица связана с определенным параметром управляемого объекта, отвечает за него, а общее выражение лица представляет интегрированную характеристику ситуации. При изменении параметров управляемого объекта мимика начинает меняться. Человек «говорит» нам об изменениях состояния объекта, на которые должна последовать незамедлительная реакция. Кроме того, системы когнитивной графики широко используются также в обучающих и тренажерных системах, играх. Здесь используется принцип виртуальной реальности. Графические образы, например, видимые нами на экране монитора, моделируют ситуации, в которых обучающийся должен принимать адекватные решения и выполнять действия сообразно ситуации. Здесь может идти речь и о тренажерах для пилотов, где создается так называемая «виртуальная реальность», и о компьютерных играх, и об иных профессиональных тренажерах.

---

2. Экспертные системы для решения интеллектуальных задач. Назначение экспертных систем (ЭС) заключается в решении достаточно трудных для экспертов задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области. Преимущество применения экспертных систем достигается за счет возможности адекватного принятия решений в уникальных ситуациях. При этом алгоритм не известен заранее, а формируется по исходным данным на основе правил принятия решения из базы знаний. Кроме того, решения здесь могут приниматься в условиях неполноты информации, необходимой для принятия решения, ее неточности, зашумленности. Не всегда возможно дать количественное решение, зачастую предполагается только качественная оценка процессов.

Экспертная система усиливает интеллектуальные особенности эксперта. Она может исполнять следующие функции: консультанта для неопытных или непрофессиональных пользователей, ассистента в связи с необходимостью анализа экспертом различных вариантов принятия решений, партнера эксперта по вопросам, относящимся к источникам знаний из смежных областей деятельности (см. 7.3).

Экспертные системы возможно классифицировать различным образом. Приведем краткое описание классов экспертных систем (табл. 7.2)

Таблица 72

Классы экспертных систем

По способу формирования решения		По способу учета временного признака		По виду использования данных и знаний		По числу используемых источников знаний
Аналитические (выбор решения из множества известных альтернатив)	Синтетические (генерация неизвестных решений)	Статистические (решение задач при неизменных данных)	Динамические (допускают изменение данных)	С детерминированными знаниями	С неопределенными знаниями	Один	Множество

Классифицирующие ЭС. Классифицирующие системы определяют принадлежность анализируемой ситуации к некоторому классу. Они решают задачи распознавания ситуаций. Основным методом формирования решений в классифицирующих ЭС является метод логического дедуктивного вывода (от общего к частному). [2]

Доопределяющие ЭС работают с неопределенными исходными данными. Эти системы решают сложные аналитические задачи и доопределяют недостающие знания.

---

Классифицирующие и доопределяющие ЭС применяют, например, при анализе финансового состояния предприятия: интерпретация — диагностика — коррекция. Интерпретация данных — выбор решения из множества альтернатив. При диагностике выявляют причины, которые привели к возникновению данной ситуации. Необходима предварительная интерпретация ситуации с последующей проверкой дополнительных фактов. На этапе коррекции реализуют диагностику, дополненную возможностью оценки и рекомендации действий по коррекции отклонений от нормального состояния рассматриваемых ситуаций.

Применение интеллектуальных технологий в

экономических системах

Интеллектуальные технологии являются универсальным аналитическим инструментом, который может быть использован в любой прикладной области, где требуется анализ данных различными методами и где управленческое решение возникает как результат определённых аналитических процедур. Данные технологии представляют: развитые инструменты доступа к данным хранилища; динамическое интерактивное манипулирование данными (вращение, консолидации или детализации); наглядное визуальное отображение данных; оперативность – анализ осуществляется в реальном режиме времени; многомерное представление данных – одновременный анализ ряда показателей по нескольким измерениям.

В зависимости от способа хранения данных различают многомерные, реляционные и гибридные OLAP продукты.

Многомерные OLAP- продукты. Исходные данные хранятся в многомерной базе данных или в многомерном локальном кубе. Это обеспечивает высокую скорость выполнения OLAP-операций.

Реляционные OLAP-продукты. Исходные данные хранятся в реляционных базах данных или в плоских локальных таблицах на сервере. Агрегатные данные помещаются в служебные таблицы в той же базе данных. Преобразование данных из реляционной база данных в многомерные кубы происходит по запросу OLAP-средства. При этом скорость построения куба будет находится в зависимости от типа источника данных и приводить к увеличению времени отклика системы.

Гибридные OLAP. Исходные данные остаются в реляционной базе, а агрегат размещаются в многомерной. Построение OLAP-куба выполняется по запросу OLAP-средства на основе реляционных и многомерных данных. Это позволяет избежать взрывного роста данных и обеспечит минимизацию времени выполнения клиентских запросов.

---

В зависимости от места размещения OLAP- машины различают OLAP-серверы и OLAP-клиенты. В первом случае вычисление и хранение агрегатных данных выполняются сервером. Клиентское приложение получает результаты запросов к многомерным кубам, хранящимся на сервере.

Методы добычи данных являются составной частью процесса поиска полезных знаний и разрозненных данных (KDD). KDD состоит из подготовки данных, выбора информативных признаков, очистки данных, обработки и интерпретации полученных результатов. Первый элемент добычи данных – фильтрация, которая позволяет определить полезную информацию от искажающего её шума за счёт сглаживания, очистки, редактирования аномальных значений. Устранение незначащих факторов, понижение размерности информации. Эта первичная обработка данных позволяет повысить качество исходных данных и точность результата анализа.

Дерево решений позволяет представлять правила в иерархической структуре, где каждому объекту соответствует единственный узел, дающий решение. Это может быть логическая конструкция «если…, то…». Элемент применяется для поиска оптимальных решений на основе описанной модели поведения.

Ассоциативные правила позволяют находить закономерности между связанными событиями. Например, если произошло событие А, то и произойдёт и событие В с вероятностью С. Впервые эта задача была предложена для нахождения типичных шаблонов покупок, совершаемых в супермаркетах, поэтому её называют анализом рыночной корзины.

Генетические алгоритмы применяются при решении задач оптимизации, в которых можно составить описание возможных вариантов решения в виде вектора параметров, и известен критерий, определяющий эффективность каждого варианта, например, для составления расписаний, выбора маршрутов движения, конфигурации оборудования заполнения контейнеров при перевозке грузов.

Нейронные сети реализуют алгоритмы обратного распространения ошибки, самоорганизующихся карт Кохонена, сетей Хаминга и других алгоритмов анализа данных. Они применяются для восстановления пропусков в данных, прогнозирования и поиска закономерностей.

Для выполнения запросов и построения отчётов имеются:

Инструменты выполнения запросов и построения отчётов, предназначенные для формирования запросов к ИС в пользовательских терминах, их исполнения, просмотра полноценных отчётов. Эти системы могут быть встроены в состав OLAP- систем;

Инструменты в виде специализированных систем Query&Reporting, когда пользователь оставляет запрос к источнику данных, используя заранее подготовленный программистом каталог терминов, получая плоские или многомерные таблицы, графики, диаграммы на экран или в виде распечатки.

---