Интеллектуальные информационные системы

1 Информация, как сырье и как товар: абсолютная, относительная и аналитическая информация. Данные, информация, знания

Абсолютная информация — это информация, содержащаяся в абсолютных числах, таких как количество чего-либо, взятого «само по себе» .

Относительная информация — это информация, содержащаяся в отношениях абсолютного количества к объему совокупности.

Относительная информация измеряется в частях, процентах, промилле, вероятностях и некоторых других подобных единицах. Очевидно, что и из относительной информации, взятой изолированно, вырванной из контекста, делать какие-либо обоснованные выводы не представляется возможным.

Аналитическая информация — это информация, содержащаяся в отношении вероятности (или процента) к некоторой базовой величине, например к средней вероятности по всей выборке.

Аналитическими являются также стандартизированные величины в статистике и количество информации в теории информации.

Аналитическая информация позволяет делать содержательные выводы об исследуемой предметной области. Для того, чтобы сделать аналогичные выводы на основе относительной, и абсолютной информации требуется значительная обработка.

Таким образом, есть все основания рассматривать абсолютную информацию как «информационное сырье», аналитическую — как «информационный товар». Относительная информация в этом смысле занимает промежуточное положение и может рассматриваться как «информационный полуфабрикат». Интеллектуальные информационные системы, преобразуют сырую информацию в кондиционный информационный продукт и, этим самым, многократно повышают ее потребительскую и меновую стоимость.

Данные — это совокупность сведений, зафиксированных на определенном носителе в форме, пригодной для постоянного хранения, передачи и обработки. Преобразование и обработка данных позволяет получить информацию.

Информация — это результат преобразования и анализа данных. Например, в базах данных хранятся различные данные, а по определенному запросу система управления базой данных выдает требуемую информацию.

Знания — это зафиксированная и проверенная практикой обработанная информация, которая использовалась и может многократно использоваться для принятия решений.

Знания — это вид информации, которая хранится в базе знаний и отображает знания специалиста в конкретной предметной области. Знания — это интеллектуальный капитал.

2. Автоматизированные системы распознавания образов

Системой распознавания образов будем называть класс систем искусственного интеллекта, обеспечивающих:

— формирование конкретных образов объектов и обобщенных образов классов;

— обучение, т. е. формирование обобщенных образов классов на основе ряда примеров объектов, классифицированных (т.е. отнесенных к тем или иным категориям — классам) учителем и составляющих обучающую выборку;

— самообучение, т. е. формирование кластеров объектов на основе анализа неклассифицированной обучающей выборки;

— распознавание, т. е. идентификацию (и прогнозирование) состояний объектов, описанных признаками, друг с другом и с обобщенными образами классов;

— измерение степени адекватности модели;

— решение обратной задачи идентификации и прогнозирования (обеспечивается не всеми моделями).

Распознавание — это операция сравнения и определения степени сходства образа данного конкретного объекта с образами других конкретных объектов или с обобщенными образами классов, в результате которой формируется рейтинг объектов или классов по убыванию сходства с распознаваемым объектом.

Ключевым моментом при реализации операции распознавания в математической модели является выбор вида интегрального критерия или меры сходства, который бы на основе знания о признаках конкретного объекта позволил бы количественно определить степень его сходства с другими объектами или обобщенными образами классов.

3. «Система искусственного интеллекта», место СИИ в классификации информационных систем

Интеллектуальными считаются задачи, связанные с разработкой алгоритмов решения ранее нерешенных задач определенного типа.

интеллект представляет собой универсальный алгоритма, способный разрабатывать алгоритмы решения конкретных задач. В 1950 году в статье «Вычислительные машины и разум» (Computing machinery and intelligence) выдающийся английский математики и философ Алан Тьюринг предложил тест, чтобы заменить бессмысленный, по его мнению, вопрос «может ли машина мыслить?» на более определённый.

Судья-человек ограниченное время, например, 5 минут, переписывается в чате (в оригинале — по телеграфу) на естественном языке с двумя собеседниками, один из которых — человек, а другой — компьютер. Если судья за предоставленное время не сможет надёжно определить, кто есть кто, то компьютер прошёл тест.

Идею Тьюринга поддержал Джо Вайзенбаум, написавший в 1966 году первую «беседующую» программу «Элиза». Программа всего в 200 строк лишь повторяла фразы собеседника в форме вопросов и составляла новые фразы из уже использованных в беседе слов.

А.Тьюринг считал, что компьютеры, в конечном счете, пройдут его тест, т. е. на вопрос: «Может ли машина мыслить?» он отвечал утвердительно, но в будущем времени: «Да, смогут!»

Сегодня уже существуют многочисленные варианты интеллектуальных систем, которые не имеют цели, но имеют критерии поведения: генетические алгоритмы и имитационное моделирование эволюции. Поведение этих систем выглядит таким образом, как будто они имеют различные цели и добиваются их.

Ежегодно производится соревнование между разговаривающими программами, и наиболее человекоподобной, по мнению судей, присуждается приз Лебнера (Loebner).

4. Особенности и признаки интеллектуальности информационных систем

Любая информационная система (ИС) выполняет следующие функции: 1воспринимает вводимые пользователем информационные запросы и необходимые исходные данные, 2обрабатывает введенные и хранимые в системе данные в соответствии с известным алгоритмом и формирует требуемую выходную информацию.

С точки зрения реализации перечисленных функций ИС можно рассматривать как фабрику, производящую информацию, в которой заказом является информационный запрос, сырьем — исходные данные, продуктом — требуемая информация, а инструментом (оборудованием) — знание, с помощью которого данные преобразуются в информацию.

…если в ходе эксплуатации ИС выяснится потребность в модификации одного из двух компонентов программы, то возникнет необходимость ее переписывания. Это объясняется тем, что полным знанием проблемной области обладает только разработчик ИС, а программа служит «недумающим исполнителем» знания разработчика. Этот недостаток устраняются в интеллектуальных информационных системах .

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

Для интеллектуальных информационных систем, ориентированных на генерацию алгоритмов решения задач, характерны следующие признаки:

— развитые коммуникативные способности,

— умение решать сложные плохо формализуемые задачи,

— способность к самообучению, Коммуникативные способности ИИС характеризуют способ взаимодействия (интерфейса) конечного пользователя с системой.

Сложные плохо формализуемые задачи — это задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний.

5. Этапы жизненного цикла систем искусственного интеллекта

№ Наименование этапа

1 Разработка идеи и концепции системы

2 Разработка теоретических основ системы

3 Разработка математической модели системы

4 Разработка методики численных расчетов в системе:

4.1 — разработка структур данных

4.2 — разработка алгоритмов обработки данных

5 Разработка структуры системы и экранных форм интерфейса

6 Разработка программной реализации системы

7 Отладка системы

8 Экспериментальная эксплуатация

9 Опытная эксплуатация

10 Промышленная эксплуатация

11 Заказные модификации системы

12 Разработка новых версий системы

13 Снятие системы с эксплуатации Условно каждому из признаков интеллектуальности соответствует свой класс ИИС:

— Системы с интеллектуальным интерфейсом;

— Экспертные системы;

— Самообучающиеся системы.

6 Экспертная система (ЭС) — это ИИС, предназначенная для решения слабоформализуемых задач на основе накапливаемого в базе знаний опыта работы экспертов в проблемной области

Экспертная система является инструментом, усиливающим интеллектуальные способности эксперта, и может выполнять следующие роли:

1консультанта для неопытных или непрофессиональных пользователей;

2ассистента в связи с необходимостью анализа экспертом различных вариантов принятия решений;

3партнера эксперта по вопросам, относящимся к источникам знаний из смежных областей деятельности.

Исторически, ЭС были первыми системами искусственного интеллекта, которые привлекли внимание потребителей.

Классы экспертных систем. По степени сложности решаемых задач экспертные системы можно классифицировать следующим образом:

— По способу формирования решения экспертные системы разделяются на два класса: аналитические и синтетические. Аналитические системы предполагают выбор решений из множества известных альтернатив, а синтетические системы — генерацию неизвестных решений. Аналитическая экспертная система — это ЭС, осуществляющая оценку вариантов решений (проверку гипотез). Синтетическая экспертная система — это ЭС, осуществляющая генерацию вариантов решений (формирование гипотез).

— По способу учета временного признака экспертные системы могут быть статическими или динамическими. Статические системы решают задачи при неизменяемых в процессе решения данных и знаниях, инамические системы допускают такие изменения.

Статическая экспертная система — это ЭС, решающая задачи в условиях, не изменяющихся во времени исходных данных и знаний.

Динамическая экспертная система — это ЭС, решающая задачи в условиях изменяющихся во времени исходных данных и знаний.

— По видам используемых данных и знаний экспертные системы классифицируются на системы с детерминированными (четко определенными) знаниями и неопределенными знаниями. Под неопределенностью знаний (данных) понимается их неполнота (отсутствие), недостоверность (неточность измерения), двусмысленность (многозначность понятий), нечеткость (качественная оценка вместо количественной).

По числу используемых источников знаний экспертные системы могут быть построены с использованием одного или множества источников знаний.

7. Система с интеллектуальным интерфейсом — это ИИС, предназначенная для поиска неявной информации в базе данных или тексте для произвольных запросов, составляемых, как правило, на ограниченном естественном языке

Интеллектуальные БД отличаются от обычных БД возможностью выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющейся в базе данных. Примерами таких запросов могут быть следующий: — «Вывести список товаров, цена которых выше среднеотраслевой»,

В запросе требуется осуществить поиск по условию, которое должно быть доопределено в ходе решения задачи. Формулирование запроса осуществляется в диалоге с пользователем, последовательность шагов которого выполняется в максимально удобной для пользователя форме. Запрос к базе данных может формулироваться и с помощью естественно-языкового интерфейса.

Естественно-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний.

Естественно-языковый интерфейс используется для:

— доступа к интеллектуальным базам данных;

— контекстного поиска документальной текстовой информации;

— голосового ввода команд в системах управления;

— машинного перевода c иностранных языков.

Гипертекстовые системы предназначены для реализации поиска по ключевым словам в базах текстовой информации. Механизм поиска работает прежде всего с базой знаний ключевых слов, а уже затем непосредственно с текстом.

Системы контекстной помощи можно рассматривать, как частный случай интеллектуальных гипертекстовых и естественно-языковых систем. В системах контекстной помощи пользователь описывает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекомендаций. Такие системы относятся к классу систем распространения знаний (Knowledge Publishing) и создаются как приложение к системам документации (например, технической документации по эксплуатации товаров).

Системы когнитивной графики позволяют осуществлять интерфейс пользователя с ИИС с помощью графических образов, которые генерируются в соответствии с происходящими событиями.

8. Самообучающаяся система — это ИИС, которая на основе примеров реальной практики автоматически формирует единицы знаний

В основе самообучающихся систем лежат методы автоматической классификации примеров ситуаций реальной практики (обучения на примерах). Примеры реальных ситуаций накапливаются за некоторый исторический период и составляют обучающую выборку. Эти примеры описываются множеством признаков классификации. Причем обучающая выборка может быть:

— «с учителем», когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака);

— «без учителя», когда по степени близости значений признаков классификации система сама выделяет классы ситуаций.

В результате обучения системы автоматически строятся обобщенные правила или функции, определяющие принадлежность ситуаций классам, которыми обученная система пользуется при интерпретации новых возникающих ситуаций. Таким образом, автоматически формируется база знаний, используемая при решении задач классификации и прогнозирования. Эта база знаний периодически автоматически корректируется по мере накопления опыта реальных ситуаций, что позволяет сократить затраты на ее создание и обновление.

9. Идентификация проблемной области

Этап идентификации проблемной области — определение требований к разрабатываемой ЭС, контуров рассматриваемой проблемной области (объектов, целей, подцелей, факторов), выделение ресурсов на разработку ЭС.

Этап идентификации проблемной области включает определение назначения и сферы применения экспертной системы, подбор экспертов и группы инженеров по знаниям, выделение ресурсов, постановку и параметризацию решаемых задач.

Начало работ по созданию экспертной системы инициируют руководители компаний. Обычно необходимость разработки экспертной системы связана с затруднениями лиц, принимающих решение, что сказывается на эффективности функционирования проблемной области. Как правило, назначение экспертной системы связано с одной из следующих областей:

— обучение и консультация неопытных пользователей;

— распространение и использование уникального опыта экспертов;

— автоматизация работы экспертов по принятию решений;

— оптимизация решения проблем, выдвижение и проверка гипотез.

После предварительного определения контуров разрабатываемой экспертной системы инженеры по знаниям совместно с экспертами осуществляют более детальную постановку проблем и параметризацию системы. К основным параметрам проблемной области относятся следующие:

— класс решаемых задач (интерпретация, диагностика, коррекция, прогнозирование, планирование, проектирование, мониторинг, управление);

— критерии эффективности результатов решения задач (минимизация использования ресурсов, повышение качества продукции и обслуживания, ускорение оборачиваемости капитала и т. д.);

— критерии эффективности процесса решения задач (повышение точности принимаемых решений, учет большего числа факторов, просчет большего числа альтернативных вариантов, адаптивность к изменениям проблемной области и информационных потребностей пользователей, сокращение сроков принятия решений);

— цели решаемых задач (выбор из альтернатив, например, выбор поставщика или синтез значения, например, распределение бюджета по статьям);

— подцели (разбиение задачи на подзадачи, для каждой из которых определяется своя цель);

— исходные данные (совокупность используемых факторов);

— особенности используемых знаний (детерминированность/ неопределенность, статичность/динамичность, одноцелевая/ многоцелевая направленность, единственность/ множественность источников знаний).

10. Формализация базы знаний

На этапе формализации базы знаний осуществляется выбор метода представления знаний. В рамках выбранного формализма осуществляется проектирование логической структуры базы знаний.

Этап формализации базы знаний — выбор метода представления знаний, в рамках которого проектируется логическая структура базы знаний.

Логическая модель предполагает унифицированное описание объектов и действий в виде предикатов первого порядка.

Логическая модель отражает логические связи между элементами данных вне зависимости от их содержания и среде хранения.

Логическая модель данных может быть реляционной, иерархической или сетевой. Пользователям выделяются подмножества этой логической модели, называемые внешними моделями, отражающие их представления о предметной области. Внешняя модель соответствует представлениям, которые пользователи получают на основе логической модели, в то время как концептуальные требования отражают представления, которые пользователи первоначально желали иметь и которые легли в основу разработки концептуальной модели. Логическая модель отображается в физическую память, такую, как диск, лента или какой-либо другой носитель информации.

11. Этапы проектирования экспертной системы

Этапы создания экспертных систем: идентификация, концептуализация, формализация, реализация, тестирование, внедрение. На начальных этапах идентификации и концептуализации, связанных с определением контуров будущей системы, инженер по знаниям выступает в роли ученика, а эксперт — в роли учителя, мастера. На заключительных этапах реализации и тестирования инженер по знаниям демонстрирует результаты разработки, адекватность которых проблемной области оценивает эксперт. На этапе тестирования это могут быть совершенно другие эксперты. На этапе тестирования созданные экспертные системы оцениваются с позиции двух основных групп критериев: точности и полезности. Следующий этап жизненного цикла экспертной системы — внедрение и опытная эксплуатация в массовом порядке без непосредственного контроля со стороны разработчиков и переход от тестовых примеров к решению реальных задач. Важнейшим критерием оценки становятся соотношение стоимости системы и ее эффективности. На этом этапе осуществляется сбор критических замечаний и внесение необходимых изменений. В результате опытной эксплуатации может потребоваться разработка новых специализированных версий, учитывающих особенности проблемных областей. На всех этапах разработки инженер по знаниям играет активную роль, а эксперт — пассивную. По мере развития самообучающихся свойств экспертных систем роль инженера по знаниям уменьшается, а активное поведение заинтересованного в эффективной работе экспертной системы пользователя-эксперта возрастает.

Прототип экспертной системы — это расширяемая (изменяемая) на каждом последующем этапе версия базы знаний с возможной модификацией программных механизмов. После каждого этапа возможны итеративные возвраты на уже выполненные этапы проектирования, что способствует постепенному проникновению инженера по знаниям в глубину решаемых проблем, эффективности использования выделенных ресурсов, сокращению времени разработки, постоянному улучшению компетентности и производительности системы. Пример разработки экспертной системы гарантирования (страхования) коммерческих займов CLUES (loan-uderwriting expert systems).

12. Генетические алгоритмы и моделирование биологической эволюции

Генетические Алгоритмы (ГА) — это адаптивные методы функциональной оптимизации, основанные на компьютерном имитационном моделировании биологической эволюции. Основные принципы ГА были сформулированы Голландом (Holland, 1975), и хорошо описаны во многих работах и на ряде сайтов в Internet.

Теория Дарвина традиционно моделируется в ГА, хотя, конечно, это не исключает возможности моделирования и других теорий эволюции в ГА.

В основе модели эволюции Дарвина лежат случайные изменения отдельных материальных элементов живого организма при переходе от поколения к поколению. Целесообразные изменения, которые облегчают выживание и производство потомков в данной конкретной внешней среде, сохраняются и передаются потомству, т. е. наследуются. Особи, не имеющие соответствующих приспособлений, погибают, не оставив потомства или оставив его меньше, чем приспособленные (считается, что количество потомства пропорционально степени приспособленности). Поэтому в результате естественного отбора возникает популяция из наиболее приспособленных особей, которая может стать основой нового вида, каждый конкретный генетический алгоритм представляют имитационную модель некоторой определенной теории биологической эволюции или ее варианта.

Работа ГА представляет собой итерационный процесс, который продолжается до тех пор, пока поколения не перестанут существенно отличаться друг от друга, или не пройдет заданное количество поколений или заданное время. Для каждого поколения реализуются отбор, кроссовер (скрещивание) и мутация.

13. Этап концептуализации проблемной области — построение концептуальной модели, отражающей в целостном виде сущность функционирования проблемной области на объектном (структурном), функциональном (операционном), поведенческом (динамическом) уровнях

На этапе построения концептуальной модели создается целостное и системное описание используемых знаний, отражающее сущность функционирования проблемной области. От качества построения концептуальной модели проблемной области во многом зависит насколько часто в дальнейшем по мере развития проекта будет выполняться перепроектирование базы знаний. Хорошая концептуальная модель может только уточняться (детализироваться или упрощаться), но не перестраиваться.

Результат концептуализации проблемной области обычно фиксируется в виде наглядных графических схем на объектном, функциональном и поведенческом уровнях моделирования:

— объектная модель описывает структуру предметной области как совокупности взаимосвязанных объектов;

— функциональная модель отражает действия и преобразования над объектами;

— поведенческая модель рассматривает взаимодействия объектов во временном аспекте.

Первые две модели описывают статические аспекты функционирования проблемной области, а третья модель — динамику изменения ее состояний. Естественно, что для различных классов задач могут требоваться разные виды моделей, а следовательно, и ориентированные на них методы представления знаний. Рассмотрим каждую из представленных видов моделей.

Объектная модель — отражение на семантическом уровне фактуального знания о классах объектов, их свойств и отношений.

Концептуальное проектирование — сбор, анализ и редактирование требований к данным. Для этого осуществляются следующие мероприятия:

— обследование предметной области, изучение ее информационной структуры;

— выявление всех фрагментов, каждый из которых характеризуется пользовательским представлением, информационными объектами и связями между ними, процессами над информационными объектами

— моделирование и интеграция всех представлений

По окончании данного этапа получаем концептуальную модель, инвариантную к структуре базы данных. Часто она представляется в виде модели «сущность-связь» .

Логическое проектирование — преобразование требований к данным в структуры данных. На выходе получаем СУБД-ориентированную структуру базы данных и спецификации прикладных программ. На этом этапе часто моделируют базы данных применительно к различным СУБД и проводят сравнительный анализ моделей.

Физическое проектирование — определение особенностей хранения данных, методов доступа и т. д.

14 Особенности экспертных систем экономического анализа

Архитектура экспертной системы экономического анализа (особенности формирования базы знаний, выбора методов логического вывода, пользовательского интерфейса) во многом зависит от целей и глубины анализа: внешнего (для сторонних организаций) или внутреннего (для самого предприятия).

Внешний экономический анализ проводится внешними для предприятия субъектами: инвесторами, кредиторами, партнерами, поставщиками, аудиторами, налоговыми и таможенными службами, страховыми организациями и т. д. Для внешнего анализа используются интерпретирующие экспертные системы.

Целью внешнего анализа предприятия является определение общего состояния предприятия, т. е. интерпретация его экономического положения с точки зрения выявления возможностей эффективного взаимодействия с ним внешних организаций

Интеллектуальная система моделирования бизнес-процессов предназначена для анализа на долговременной основе эффективности организации бизнес-процессов, прогнозирования последствий реализации рекомендаций по реинжинирингу бизнес-прцессов.

Наиболее зарекомендовавшим себя методом внешнего анализа, интегрирующим множество различных экономических показателей предприятия, служит рейтинговый метод.

В случае применения экспертной системы внутреннего финансового анализа FINEX экспертиза осуществляется автоматически на основе введенных данных финансовой отчетности.

Функциями экспертной системы финансового анализа предприятия являются:

— Ввод и проверка правильности составления бухгалтерской отчетности;

— Анализ финансового состояния предприятия;

— Анализ результатов финансово-хозяйственной деятельности предприятия и диагностика эффективности использования ресурсов.

Анализ финансового состояния предприятия предполагает комплексную рейтинговую и классификационную оценку платежеспособности и финансовой устойчивости предприятия.

Для интерпретации данных используются рейтинговый или классификационный методы. Чем больше признаков (факторов) оценки ситуации, тем предпочтительнее рейтинговый метод по сравнению с классификационным.

Рейтинговый метод — получение суммарной оценки ситуации по ряду независимых признаков, при этом используется дизъюнктивный подход к построению правил. Этот метод неточный, гибкий.

Классификационный метод — ситуации классифицируются как различные комбинации значений признаков, при этом используется конъюнктивный подход к построению правил. Этот метод точный, жесткий.