Интелектуальные системы

СОДЕРЖАнИЕ

ВВЕДЕНИЕ

Искусственный интеллект (ИИ) как наука существует около полувека. Первой интеллектуальной системой считается  программа "Логик-Теоретик", предназначенная  для доказательства теорем и исчисления высказываний. Ее работа впервые была продемонстрирована 9 августа 1956 г. В  создании программы участвовали  такие известные ученые, как А. Ньюэлл, А. Тьюринг, К. Шеннон, Дж. Лоу, Г. Саймон и др. За прошедшее с тех  пор время в области ИИ разработано  великое множество компьютерных систем, которые принято называть интеллектуальными. Области их применения охватывают практически все сферы  человеческой деятельности, связанные  с обработкой информации.

На сегодняшний день не существует единого определения, которое  однозначно описывает эту научную  область. Среди многих точек зрения на нее доминируют следующие три. Согласно первой исследования в области ИИ относятся к фундаментальным, в процессе которых разрабатываются новые модели и методы решения задач, традиционно считавшихся интеллектуальными, не поддававшихся ранее формализации и автоматизации. Согласно второй точке зрения это направление связано с новыми идеями решения задач на ЭВМ, с разработкой новых технологий программирования и с переходом к компьютерам не фон-неймановской архитектуры. Третья точка зрения, наиболее прагматическая, основана на том, что в результате исследований, проводимых в области ИИ, появляется множество прикладных систем, способных решать задачи, для которых ранее создаваемые системы были непригодны. По последней трактовке ИИ является экспериментальной научной дисциплиной, в которой роль эксперимента заключается в проверке и уточнении интеллектуальных систем, представляющих собой аппаратно-программные информационные комплексы.

ГЛАВА 1. КЛАССИФИКАЦИЯ  ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ

1.1. ОСОБЕННОСТИ И ПРИЗНАКИ ИНТЕЛЛЕКТУАЛЬНОСТИ ИНФОРМАЦИОННЫХ СИСТЕМ

Любая информационная система (ИС) выполняет следующие функции: воспринимает вводимые пользователем  информационные запросы и необходимые  исходные данные, обрабатывает 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.

Знание имеет двоякую  природу: фактуальную и операционную.

• Фактуальное знание - это  осмысленные и понятые данные. Данные сами по себе - это специально организованные знаки на какомлибо  носителе.

• Операционное знание - это  те общие зависимости между фактами, которые позволяют интерпретировать данные или извлекать из них информацию. Информация по сути - это новое и  полезное знание для решения какихлибо  задач.

Часто фактуальное знание называют экстенсиональным (детализированным), а операционное знание - интенсиональным (обобщенным).

Процесс извлечения информации из данных сводится к адекватному  соединению операционного и фактуального знаний и в различных типах  ИС выполняется поразному. Самый  простой путь их соединения заключается  в рамках одной прикладной программы:

Программа = Алгоритм (Правила  преобразования данных + 
Управляющая структура) + Структура данных

Таким образом, операционное знание (алгоритм) и фактуальное  знание (структура данных) неотделимы друг от друга. Однако, 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. Конечный же пользователь вследствие процедурности и машинной ориентированности представления знаний понимает лишь внешнюю сторону процесса обработки данных и никак не может на него влиять.

Следствием перечисленных  недостатков является плохая 
жизнеспособность ИС или неадаптивность к изменениям 
информационных потребностей. Кроме того, в силу детерминированности алгоритмов решаемых задач ИС не способна к формированию у пользователя знания о действиях в не полностью определенных ситуациях. 
В системах, основанных на обработке баз данных (СБД - Data Base Systems), происходит отделение фактуального и операционного знаний друг от друга. Первое организуется в виде базы данных, второе - в виде программ. Причем программа может автоматически генерироваться по запросу пользователя (например, реализация SQL или QBE запросов). В качестве посредника между программой и базой данных выступает программный инструмент доступа к данным - система управления базой данных (СУБД):

СБД = Программа <=> СУБД <=> База данных

Концепция независимости  программ от данных позволяет повысить гибкость ИС по выполнению произвольных информационных запросов. Однако, эта  гибкость в силу процедурности представления  операционного знания имеет четко  определенные границы. Для формулирования информационного запроса пользователь должен ясно представлять себе структуру базы данных и до определенной степени алгоритм решения задачи.

Следовательно, пользователь должен достаточно хорошо разбираться  в проблемной области, в логической структуре базы данных и алгоритме  программы. Концептуальная схема базы данных выступает в основном только в роли промежуточного звена в  процессе отображения логической структуры  данных на структуру данных прикладной программы. 
Общие недостатки традиционных информационных систем, к которым относятся системы первых двух типов, заключаются в слабой адаптивности к изменениям в предметной области и информационным потребностям пользователей, в невозможности решать плохо формализуемые задачи, с которыми управленческие работники постоянно имеют дело. Перечисленные недостатки устраняются в интеллектуальных информационных системах (ИИС).

Анализ структуры программы  показывает возможность выделения  из программы операционного знания (правил преобразования данных) в так  называемую базу знаний, которая в  декларативной форме хранит общие  для различных задач единицы  знаний. При этом управляющая структура  приобретает характер универсального механизма решения задач (механизма  вывода), который связывает единицы  знаний в исполняемые цепочки (генерируемые алгоритмы) в зависимости от конкретной постановки задачи (сформулированной в запросе цели и исходных условий). Такие ИС становятся системами, основанными  на обработке знаний (СБЗ - Knowledge Base (Based) Systems):

СБЗ = База знаний <=> Управляющая  структура <=> База данных (Механизм вывода)

Следующим шагом в развитии интеллектуальных информационных систем является выделение в самостоятельную  подсистему или репозиторий метазнания, описывающего структуру операционного  и фактуального знания и отражающего  модель проблемной области. В таких  системах и программы, и структуры данных генерируются или компонуются из единиц знаний, описанных в репозитории, каждый раз при изменении модели проблемной области. Будем называть ИИС, обрабатывающие метазнание, системами, основанными на моделях (СБМ - Model Based Systems):

СБМ = Репозиторий <=> Механизм => База данных Модель данных генерации

Модель операций или => Программы Правила связи конфигурации

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,

• адаптивность.

Коммуникативные способности  ИИС характеризуют способ взаимодействия (интерфейса) конечного пользователя с системой, в частности, возможность  формулирования произвольного запроса  в диалоге с ИИС на языке, максимально  приближенном к естественному. 
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. 
Способность к самообучению - это возможность автоматического извлечения знаний для решения задач из накопленного опыта конкретных ситуаций. 
Адаптивность - способность к развитию системы в соответствии с объективными изменениями модели проблемной области.

В различных ИИС перечисленные  признаки интеллектуальности развиты  в неодинаковой степени и редко, когда все четыре признака реализуются  одновременно. Условно каждому из признаков интеллектуальности соответствует  свой класс ИИС:

• Системы с интеллектуальным интерфейсом;

• Экспертные системы;

• Самообучающиеся системы;

• Адаптивные системы.

 
1.2. СИСТЕМЫ С ИНТЕЛЛЕКТУАЛЬНЫМ ИНТЕРФЕЙСОМ

Применение ИИ для усиления коммуникативных способностей информационных систем привело к появлению систем с интеллектуальным интерфейсом, среди  которых можно выделить следующие  типы.

1. Интеллектуальные базы данных. Позволяют в отличие от традиционных БД обеспечивать выборку необходимой информации, не присутствующей в явном виде, а выводимой из совокупности хранимых данных.
2. Естественно-языковой 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 видеообразы.
4. Системы контекстной помощи. Относятся к классу систем распространения знаний. Такие системы являются, как правило, приложениями к документации. Системы контекстной помощи - частный случай гипертекстовых и ЕЯ-систем. В них пользователь описывает проблему, а система на основе дополнительного диалога конкретизирует ее и выполняет поиск относящихся к ситуации рекомендаций. В обычных гипертекстовых системах, наоборот, компьютерные приложения навязывают пользователю схему поиска требуемой информации.
5. Системы когнитивной графики. Ориентированы на общение с пользователем ИИС посредством графических образов, которые генерируются в соответствии с изменениями параметров моделируемых или наблюдаемых процессов. Когнитивная графика позволяет в наглядном и выразительном виде представить множество параметров, характеризующих изучаемое явление, освобождает пользователя от анализа тривиальных ситуаций, способствует быстрому освоению программных средств и повышению конкурентоспособности разрабатываемых ИИС. Применение когнитивной графики особенно актуально в системах мониторинга и оперативного управления, в обучающих и тренажерных системах, в оперативных системах принятия решений, работающих в режиме реального времени.

1.3. ЭКСПЕРТНЫЕ СИСТЕМЫ

Экспертные системы как  самостоятельное направление в  искусственном интеллекте сформировалось в конце 1970-х гг. История ЭС началась с сообщения японского комитета по разработке ЭВМ пятого поколения, в котором основное внимание уделялось  развитию "интеллектуальных способностей" компьютеров с тем, чтобы они  могли оперировать не только данными, но и знаниями, как это делают специалисты (эксперты) при выработке  умозаключений. 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:

• 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 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.

Для классификации ЭС используются следующие признаки:

• способ формирования решения;
• способ учета временного признака;
• вид используемых данных и знаний;
• число используемых источников знаний.

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  учета 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 неопределенными  знаниями. Под неопределенностью  знаний и данных понимаются их неполнота, ненадежность, нечеткость.

ЭС могут создаваться  с использованием одного или нескольких источников знаний.

В соответствии с перечисленными признаками можно выделить четыре основных класса ЭС (см. рис.1): классифицирующие, доопределяющие, трансформирующие и мультиагентные.

Рис. 1 – Основные классы ЭС

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 аль-тернативных  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:

• 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  резуль-татами 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.

1.4.  САМООБУЧАЮЩИЕСЯ СИСТЕМЫ

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 накоп-ления  информации об анализируемых ситуациях.

Построенные в соответствии с этими принципами самообучающиеся  системы имеют следующие недостатки:

• относительно низкую адекватность баз знаний возникающим реальным проблемам из-за неполноты и/или зашумленности обучающей выборки;
• низкую степень объяснимости полученных результатов;
• поверхностное описание проблемной области и узкую направленность применения из-за ограничений в размерности признакового пространства.

Индуктивные системы позволяют  обобщать примеры на основе принципа индукции "от частного к общему". Процедура обобщения сводится к  классификации примеров по значимым признакам. Алгоритм классификации  примеров включает следующие основные шаги.

1. Выбор классификационного признака из множества заданных.
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, т.е. 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.

В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты). Поиск решения осуществляется на основе аналогий и включает следующие  этапы:

• получение информации о текущей проблеме;
• сопоставление полученной информации со значениями признаков прецедентов из базы знаний;
• выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;
• адаптация выбранного прецедента к текущей проблеме;
• проверка корректности каждого полученного решения;
• занесение детальной информации о полученном решении в БЗ.

Прецеденты описываются  множеством признаков, по которым строятся индексы быстрого поиска. Однако в  системах, основанных на прецедентах, в отличие от индуктивных систем до-пускается нечеткий поиск с  получением множества допустимых альтернатив, каждая из которых оценивается некоторым  коэффициентом уверенности. Наиболее эффективные решения адап-тируются к реальным ситуациям с помощью  специальных алгоритмов.

Системы, основанные на прецедентах, применяются для распространения  знаний и в системах контекстной  помощи.

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", т.е. 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.

Технологии извлечения знаний из хранилищ данных основаны на методах  статистического анализа и моделирования, ориентированных на поиск моделей  и отношений, скрытых в совокупности данных. Эти модели могут в дальнейшем использоваться для оптимизации  деятельности предприятия или фирмы.

Для извлечения значимой информации из хранилищ данных имеются специальные  методы (OLAP-анализа, Data Mining или Knowledge Discovery), основанные на применении методов мате-матической статистики, нейронных сетей, индуктивных  методов построения деревьев решений  и др.

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 извлечеия  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.

1.5. 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 - репозито-рии. 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 (Designer2000, SilverRun, 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, BAAN IV, 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 про-граммного обеспечения, а при использовании сборочной  технологии - конфигурирование программ и только в редких случаях - их переработка.