Интеллектуальные информационные системы. 6

Федеральная таможенная служба

Государственное образовательное учреждение

Высшего профессионального образования

«Российская таможенная академия»

Владивостокский филиал

__________________________________________________

Кафедра ОТК и ТСТК    

Реферат 
по дисциплине «Информационные таможенные технологии» 
 
 

студента  Стукаловой Инны Александровны 

факультет Таможенное Дело 

группа      140 

на тему:    «Интеллектуальные информационные системы» 

                                                                                            Руководитель:

                                       Антонова Е.И.                                    

                                                          зав. кафедрой ОТК и ТСТК,

кандидат  технических наук    

Владивосток

2010 

Содержание

Интеллектуальная  система………………………………………………………….3

Требования к  возможностям ИИС………………………………………………….5

Классификация интеллектуальных информационных систем…………………...6

Системы с интеллектуальным интерфейсом………………………………………9

Самообучающиеся системы……………………………………………………….11

Список использованной литературы……………………………………………...16 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

     Интеллектуальная  система

     Общим недостатком традиционных информационных систем является их недостаточная  адаптивность  к  изменениям предметной области и информационных потребностей пользователей, а также неспособность решать слабо формализуемые задачи, с которыми в реальных условиях постоянно приходится иметь дело.

     ИС, основанные на обработке знаний или интеллектуальные информационные системы (ИИС) в значительной мере избавляются от этих недостатков ИС за счет разделения операционального знания на две компоненты:

1. базу знаний (общие для различных задач правила преобразования данных, представленные в декларативной форме);
2. механизм вывода (универсальная управляющая структура).

     Механизм  вывода составляет из правил базы знаний алгоритмы решения конкретных задач, формулируемых в запросах как  цель и условия решаемой задачи. ИС, построенные по этому принципу, известны как системы, основанные на обработке знаний. Схематически их структуру можно представить в следующем виде:

     СБЗ = (База знаний, Механизм вывода, База данных).  

     Такая организация ИИС значительно  расширяет круг возможных информационных запросов, так как формулировка запроса сводится теперь лишь к описанию цели и условий решения задачи в декларативной форме.

     Современные базы данных используют целый ряд механизмов и технологий, повышающих их интеллектуальные возможности. Это относится прежде всего к многомерной организации данных в хранилищах данных, организации естественно-языкового интерфейса, реализации сценариев «что если». Все эти механизмы почерпнуты из исследований по искусственному интеллекту.

     Системы поддержки принятия решений можно рассматривать как квази- интеллектуальные системы, поскольку они автоматизируют не сам процесс оценки предпочтительности гипотез или выбора варианта решения, а лишь готовят аналитические обобщенные данные для окончательного выбора решения специалистом.

     Важность  этих систем для теории и практики применения искусственного интеллекта определяется двумя обстоятельствами:

• во-первых, осуществляется поиск аналитических зависимостей или агрегатов, использование которых упрощает правила принятия решений;
• во-вторых, в структуре специализированных процессоров и архитектур этих систем реализуются некоторые начальные этапы обработки данных, характерные для технологии искусственного интеллекта (организация хранения и обработки больших объемов многомерных данных с учетом семантических взаимосвязей).

     Иначе говоря, ИИС объединяют в себе как возможности СУБД, на которых основаны обычные ИС, так и методы искусственного интеллекта, благодаря чему хранение информации сочетается с ее обработкой и подготовкой к использованию при принятии решений.

     В экономике наибольшее распространение  ИИС получили для решения самых  разных задач: анализа деятельности предприятия, стратегического планирования, инвестиционного анализа, оценки рисков и формирования портфеля ценных бумаг, финансового анализа, маркетинга. Особенно эффективно применение ИИС совместно со стандартными методами исследования операций, динамического программирования и методами нечеткой логики при решении сложных комплексных проблем.

     Первоначально ИИС использовали знания экспертов в каждой из конкретных областей. В настоящее время базы знаний частично формируются посредством машинного обучения с использованием методов индукции, генетических алгоритмов и некоторых других методов извлечения знаний[2].  
 
 

     Требования  к возможностям ИИС

     Требования, предъявляемые сегодня, диктуются  сложившейся уже традицией привлечения  результатов исследований по искусственному интеллекту для совершенствования  ИС  и состоят в следующем:

     ¨   наличие развитых коммуникативных способностей (естественно-языкового интерфейса, обеспечивающего возможность обработки произвольных запросов пользователя в диалоге с системой на языке максимально приближенном к естественному);

     ¨   способность к решению слабо формализуемых задач (реализации так называемых мягких моделей, когда зависимости являются не вполне определенными или даже неизвестными);

     ¨   способность работать с неопределенными и динамичными данными (когда методы обработки данных могут изменяться и уточняться по мере поступления новых данных);

     ¨   способность к развитию системы, в том числе путем извлечения знаний из накопленного в конкретных ситуациях опыта;

     ¨   возможность получения и использования информации, которая не хранится явно, но может быть выведена из имеющихся в базе данных;

     ¨   способность определять границы своей компетентности за счет использования модели не только предметной области, но и самой системы;

     ¨   способность к абдуктивным выводам (выводам от конкретного к конкретному по аналогии);

     ¨   способность объяснять свои действия и предупреждать пользователя о действиях и ситуациях, могущих повлечь нарушение целостности данных.

     Наличие у ИИС развитых коммуникативных  способностей дает возможность пользователю формулировать запросы и получать информацию и комментарии на языке профессиональных терминов конкретной предметной области, близком к естественному.

     Способность ИИС к решению слабо структурированных, плохо формализуемых задач существенно  расширяет область применения ИИС, так как ИИС особенно эффективны в применении к тем задачам, строгая формализация которых пока отсутствует и для решения применяются эвристические процедуры, позволяющие в большинстве случаев получить решение. Отчасти поэтому диапазон применения ИИС столь широк: от управления непрерывными технологическим процессами в реальном времени до оценки последствий от нарушения условий поставки товаров по импорту.

     По  мере совершенствования применяемых в ИИС методов логического и правдоподобного вывода, основанных на достижениях в таких областях, как нечеткая, немонотонная и модальная логики, байесовские сети вывода, ИИС начинают применяться и в таких высокоинтеллектуальных областях, как разработка стратегических комплексных решений. Этому способствуют и более совершенные методы и алгоритмы анализа и синтеза предложений естественного языка, облегчающие общение пользователя с системой.

     Включение в состав ИИС классических экономико-математических моделей, методов линейного, квадратичного и динамического программирования позволяет сочетать анализ объекта на основе экономических показателей с учетом факторов и рисков политических и внеэкономических факторов, оценивать последствия полученных с помощью ИИС решений. 

     Классификация ИИС

     Список  рассмотренных выше требований к  ИИС может быть расширен и каждое их них может быть использовано в качестве признака классификации. Поэтому, в зависимости от целей классификации, классифицировать ИИС можно по разным основаниям:

1. по предметной области (в экономике):
• ИИС менеджмента;
• ИИС риск-менеджмента;
• ИИС инвестиций.
2. по степени интеграции ИИС в корпоративную информационную систему:
• автономные ИИС в виде самостоятельных программных продуктов с собственной базой данных;
• сопрягаемые интерфейсом с корпоративной системой;
• полностью интегрированные в корпоративную систему.
3. по оперативности:
• ИИС реального времени; 
• советующие ИИС (обычно различают динамические и статические ИИС, но фактор времени всегда присутствует и полностью статических ИИС не бывает).
4. по адаптивности:
• настраиваемые ИИС (системы, параметры которых изменяются администратором базы знаний);
• обучаемые ИИС (системы, параметры которых и, возможно, структура могут изменяться в результате обучения или самообучения).
5. по моделям знаний - по наиболее часто применяемым моделям знаний (таким, как исчисление предикатов, продукционные системы, нечеткие системы знания, марковские и байесовские сети вывода, немонотонные и модальные логики, каузальные деревья и др.).

     Такой способ классификации позволяет  систематизировать все многообразие ИИС для последующего их анализа и получения обобщающих выводов.

     В других случаях цель классификации  ставится более конкретно. Также, в качестве признаков классификации, берут свойства структурных компонентов ИИС, и деление на классы осуществляется по видам и степени интеллектуальности  функций, реализуемых этими компонентами.

     Традиционно считается, что ИИС содержит базу данных, базу знаний, механизм вывода (машину вывода, интерпретатор правил, механизм манипулирования знаниями), компоненту приобретения знаний (средства получения знаний: модуль усвоения знаний, обучения, самообучения), компоненту интеллектуального интерфейса (средства общения с ИИС: модуль объяснения, естественно-языковый интерфейс)[3].

     В самом общем виде интеллектуальность, компонент ИИС, можно охарактеризовать по степени проявления следующих свойств:

     ·     коммуникативные способности;

     ·     способность к решению сложных  трудно формализуемых задач;

     ·     способность к самообучению.

     Коммуникативные способности ИИС характеризуют интеллектуальность взаимодействия (удобство, "дружественность" интерфейса) конечного пользователя с системой, наличие возможности формулировать запрос в диалоге с системой на языке, близком к естественному.

     Сложные трудно формализуемые задачи - это задачи, не поддающиеся решению строгими методами и потому требующие построения оригинального алгоритма решения в каждой конкретной ситуации, которая может характеризоваться динамизмом, неполнотой, неточностью, нечеткостью, неопределенностью данных и знаний, действием субъективных, неучтенных и случайных факторов.

     Способность к самообучению - это способность системы к самостоятельному извлечению, накоплению, систематизации и обобщению знаний на основе приобретенного опыта решения задач в конкретных ситуациях.

     Нетрудно  заметить, что от интеллектуальных информационных систем фактически требуется наличие человеческих свойств: способности понимать естественную речь; способности рассуждать и решать сложные задачи; способности обучаться, чтобы сохранять актуальность и адекватность оказываемых пользователю информационных услуг, вопреки изменчивости, неопределенности и сложности проблемной области. Сегодня различным ИИС эти свойства присущи в разной степени и редко бывает, когда все они реализуются в одной системе. Какие именно аспекты интеллектуальности становятся определяющими и получают преимущественное развитие, зависит от области применения и назначения ИИС. С учетом этого можно классифицировать ИИС с использованием следующих известных на сегодня форм и уровней проявления интеллектуальности компонент ИИС.

     По коммуникативным способностям (видам интеллектуального интерфейса) предлагается различать: интеллектуальные базы данных, естественно-языковый интерфейс, гипертекстовые системы, контекстные системы помощи, системы когнитивной графики.

     По  способности решать сложные слабо  формализуемые задачи предлагается различать системы: классифицирующие, доопределяющие, трансформирующие, мультиагентные.

     По  способности к самообучению предлагается различать: настраиваемые (неспособные  к самообучению) системы, индуктивные системы, нейронные сети, системы на основе прецедентов, информационные хранилища. 

     Системы с интеллектуальным интерфейсом

     От  обычных баз данных интеллектуальные базы данных отличаются возможностью получать по запросу информацию, которая в явном виде не хранится в базе данных, но может быть получена (выведена) из хранимой. В таких запросах требуется осуществить поиск по условию, которое должно быть доопределено в ходе решения задачи. Выполняя это, интеллектуальная информационная система без помощи пользователя по структуре базы данных сама находит и строит путь доступа к запрошенным данным. Формулирование запроса осуществляется в диалоге с пользователем. При этом последовательность шагов диалога выбирается наиболее удобной для пользователя.

     Наличие естественно-языкового интерфейса дает возможность пользователю самому выбирать наиболее удобную для него форму диалога. Естественно-языковый интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Для этого решаются задачи: морфологического анализа (распознавание и проверка правильности написания слов); синтаксического анализа (определение структуры входных сообщений и проверка их соответствия грамматическим правилам внутреннего представления знаний); семантического анализа (установление смысловой правильности синтаксических конструкций); синтеза  высказываний  на  естественном языке (преобразование внутреннего представления информации в естественно-языковое). Естественно-языковый интерфейс дает возможность конечному пользователю получать доступ к интеллектуальным базам данных, осуществлять контекстный поиск текстовой информации, осуществлять голосовой ввод команд в системах управления.

     Гипертекстовые  системы предназначены  для  реализации  поиска  по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются возможностью более сложной организации ключевых слов, которая отражает различные смысловые отношения терминов. Таким образом, механизм поиска работает прежде всего с  базой  знаний  ключевых  слов и лишь после этого - непосредственно с текстом. Этот принцип распространяется и на поиск мультимедийной информации.

     Системы контекстной помощи можно рассматривать, как частный случай интеллектуальных гипертекстовых и естественно-языковых систем. В системах контекстной помощи конечному пользователю достаточно описать проблему (ситуацию), после чего система в ходе дополнительного диалога конкретизирует ее 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.

     Системы когнитивной графики обеспечивают интерфейс пользователя с ИИС посредством графических образов, которые генерируются в  соответствии с происходящими событиями. Такие системы применяются для мониторинга и управления процессами в реальном масштабе времени.  Графические  образы наглядно и целостно описывают множество параметров наблюдаемой ситуации (например, состояние сложного управляемого объекта отображается в виде человеческого лица, на котором каждая черта отвечает за какой-либо параметр, а общее выражение лица дает интегрированную характеристику ситуации). Системы когнитивной графики широко используются также в обучающих и тренажерных системах, построенных по принципу виртуальной реальности[3].   

     Самообучающиеся системы

     В основе  работы самообучающихся систем лежат методы обучения на примерах конкретных ситуаций путем их автоматической классификации. Примеры конкретных ситуаций, накопленные за некоторый достаточный период, составляют обучающую выборку. Каждый из примеров описывается набором признаков классификации. Способы обучения делятся на два типа: “с учителем”, когда каждый пример явно относится к некоторому классу ситуаций; “без учителя”, когда система сама выделяет классы ситуаций по степени близости значений признаков классификации.

     В результате обучения система автоматически  строит обобщенные правила (или функции) определения принадлежности ситуаций классам, которыми она затем пользуется при анализе новых возникающих ситуаций. В результате автоматически формируется база знаний для решения задач классификации и прогнозирования. Эта база знаний периодически автоматически корректируется по мере накопления опыта.

     Общие недостатки,  свойственные всем самообучающимся системам, заключаются в следующем:

• возможна неполнота или избыточность (зашумленность) обучающей выборки и, следовательно, недостаточное соответствие базы знаний реальному положению вещей;
• возникают проблемы с объяснением пользователям получаемых результатов из-за слабого соответствия автоматически установленных правил правилам человеческого мышления;
• ограничения по размерности признакового пространства вынуждают ограничиваться либо весьма узкой проблемной областью, либо неглубоким ее описанием.        

     Индуктивные системы. Обобщение примеров ситуаций по принципу от частного к общему сводится к выявлению подмножеств примеров, относящихся к одним и тем же подклассам, и определению для них значимых признаков. Процесс классификации примеров осуществляется следующим образом:

     1.  выбирается признак классификации из множества заданных (либо последовательно, либо по какому-либо правилу (например, по максимуму числа получаемых подмножеств);

     2.  по значениям выбранного признака множество примеров разбивается на подмножества;

     3.  выполняется проверка, принадлежит ли каждое образовавшееся подмножество примеров одному подклассу;

     4.  если в каком-то подмножестве все примеры имеют одно и то же значение классообразующего признака, то это подмножество примеров принадлежит одному подклассу, для него процесс классификации заканчивается и остальные признаки классификации не рассматриваются;

     5.  для тех же подмножеств, где есть примеры с несовпадающими значениями классообразующего признака, процесс классификации продолжается, начиная с пункта 1 (каждое такое подмножество примеров становится классифицируемым множеством).

     Анализ  ситуации в рабочем режиме сводится к выбору ветви дерева, полностью  определяющей эту ситуацию.

     Нейронные сети. Нейронные сети используются для решения задач классификации и прогнозирования путем их обучения распознаванию или предсказанию ситуаций по наборам значений признаков.

     Искусственный нейрон - математическая функция, отображающая зависимость значения выходного признака Y от взвешенной суммы значений входных признаков Xi, где вес Wi входного признака Xi определяет степень его влияния на выходной признак. Функциональная зависимость может быть линейной, но, как правило, используется логистическая (сигмоидальная) функция, которая позволяет вычленять более сложные пространства значений выходных признаков.

     Путем связывания выходов одних нейронов со входами других строится нейронная  сеть. Обучение нейронной сети заключается  в настройке весов связей между нейронами. Упрощенно, алгоритмы обучения нейронной сети сводятся к назначению весового коэффициента связи двух нейронов в зависимости от числа примеров, подтверждающих эту связь. Наиболее распространенным способом обучения нейронной сети является алгоритм обратного распространения ошибки, обеспечивающий при обучении минимизацию квадрата ошибки по всем примерам.

     Достоинство обучаемых нейронных сетей перед  системами индуктивного вывода заключается  в их способности решать не только классификационные, но и прогностические задачи. Использование в нейронах нелинейной функциональной зависимости выходных значений от входных позволяет строить более точные классификации. Сам процесс решения задач, благодаря применению матричных преобразований, проводится очень быстро. Фактически имитируется процесс параллельного прохода по нейронной сети, в отличие от последовательного в индуктивных системах. Нейронные сети могут быть реализованы и аппаратно в виде нейрокомпьютеров с ассоциативной памятью.

     В последнее время нейронные сети получили стремительное развитие и очень активно используются в финансовой области.

     Системы, основанные на прецедентах. В этих системах база знаний содержит описания не обобщенных ситуаций, а собственно сами ситуации (прецеденты). В этом случае поиск решения проблемы сводится к поиску по аналогии, включающий:

     1.  получение подробной информации о текущей проблеме;

     2.  сопоставление полученной информации со значениями признаков прецедентов из базы знаний;

     3.  выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;

     4.  осуществление (при необходимости) адаптации выбранного прецедента к текущей проблеме;

     5.  проверка корректности каждого полученного решения;

     6.  занесение детальной информации о новом прецеденте (о проблеме и полученном решении) в базу знаний. 

     Так же, как и для индуктивных систем, прецеденты описываются множеством признаков, по которым строятся  индексы  быстрого поиска.  Но, в отличие от индуктивных систем, допускается нечеткий поиск с  получением множества допустимых альтернатив.

     Далее наиболее подходящие решения адаптируются к  реальным ситуациям. Обучение системы сводится к запоминанию каждой новой обработанной ситуации и принятых решений в  базе прецедентов. 

     Системы, основанные на прецедентах, применяются как системы распространения знаний с расширенными возможностями или как системы контекстной помощи. В качестве примера инструментального средства поддержки баз знаний прецедентов, распространяемого в России, можно назвать систему CBR-Express (Inference, дистрибьютор - фирма Метатехнология).

     Информационные  хранилища. Информационное хранилище - это хранилище извлеченной из оперативной базы данных значимой информации, предназначенное для оперативного анализа данных (реализации OLAP - технологии). Для извлечения значимой информации из баз данных используются специальные методы. Разработкой информационных хранилищ в настоящее время занимаются многие компьютерные фирмы: IBM (Intelligent Miner), Silicon Graphics (MineSet), Intersolv (DataDirect, SmartData), Oracle (Express), SAS Institute (SAS/Assist) и др.

     Информационные  хранилища также используются в таможенных органах и являются одной из самых важных компонентов центрального банка данных ФТС России. Фактически это новый тип системы управления базами данных, предназначенной для хранения и анализа большого числа разнородных данных и документов. Они все шире используются в качестве информационной базы в аналитических системах, в первую очередь в системах поддержки принятия решений (СППР). Последнее обстоятельство являлось одной из причин выбора концепции информационных хранилищ, так как более активное использование информационных ресурсов ФТС России для оптимизации государственного управления – важнейшее направление развития ЕАИС[1]. 
 
 
 
 
 
 
 
 
 
 
 
 

     Список  использованной литературы

1. Малышенко, Ю.В. Информационные таможенные технологии: учебник. Часть 1/ Ю.В. Малышенко, В.В. Федоров. М.: РИО РТА, 2007. – 352с.;
2. Интернет-сайт «Википедия. Свободная энциклопедия.» [Электронный ресурс]// Интеллектуальная система. - Режим доступа: http://ru.wikipedia.org;
3. Интернет-сайт «Единое окно» [Электронный ресурс]// Интеллектуальная информационная система. - Режим доступа: http://window.edu.ru.