Интеллектуальные информационные системы. 5

                            Федеральное агентство по образованию

Пензенская  государственная  технологическая  академия

Кафедра «Информационные компьютерные технологии»

Дисциплина "Информационное обеспечение и  базы данных"

Реферат

«Интеллектуальные информационные системы» 
 
 

Выполнил:

студент группы 08УК

     Волчкова И.

Принял: Афанасьева М.С. 
 
 
 
 

Пенза 2010

     Интеллектуальная  информационная система (ИИС, англ. intelligent system) — разновидность интеллектуальной системы, один из видов информационных систем, иногда ИИС называют системой, основанной на знаниях. ИИС представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи: осуществление поддержки деятельности человека, например возможность поиска информации в режиме продвинутого диалога на естественном языке.

     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. 

     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. 

     "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).  

     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. 

     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. 

     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.

      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.

     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.

Классификация систем ИИС

• Экспертные системы
• Собственно экспертные системы (ЭС)
• Интерактивные баннеры (web + ЭС)
• Вопросно-ответные системы (в некоторых источниках «системы общения»)
• Интеллектуальные поисковики (например, система Старт)
• Виртуальные собеседники
• Виртуальные цифровые помощники

ИИС могут размещаться  на каком-либо сайте, где пользователь задает системе вопросы на естественном языке (если это вопросно-ответная система) или, отвечая на вопросы системы, находит необходимую информацию (если это экспертная система). Но, как  правило, ЭС в интернете выполняют  рекламно-информационные функции (интерактивные  баннеры), а серьезные системы (такие, как, например, ЭС диагностики оборудования) используются локально, так как выполняют  конкретные специфические задачи. 
Интеллектуальные поисковики отличаются от виртуальных собеседников тем, что они достаточно безлики и в ответ на вопрос выдают некоторую выжимку из источников знаний (иногда достаточно большого объема), а собеседники обладают «характером», особой манерой общения (могут использовать сленг, ненормативную лексику), и их ответы должны быть предельно лаконичными (иногда даже просто в форме смайликов, если это соответствует контексту.

Для разработки ИИС раньше использовались логические языки (Пролог, Лисп и т. д.), а сейчас используются различные процедурные языки. Логико-математическое обеспечение разрабатывается как для самих модулей систем, так и для состыковки этих модулей. Однако на сегодняшний день не существует универсальной логико-математической системы, которая могла бы удовлетворить потребности любого разработчика ИИС, поэтому приходится либо комбинировать накопленный опыт, либо разрабатывать логику системы самостоятельно. В области лингвистики тоже существует множество проблем, например, для обеспечения работы системы в режиме диалога с пользователем на естественном языке необходимо заложить в систему алгоритмы формализации естественного языка, а эта задача оказалась куда более сложной, чем предполагалось на заре развития интеллектуальных систем. Еще одна проблема — постоянная изменчивость языка, которая обязательно должна быть отражена в системах искусственного интеллекта.

     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).

Обеспечение работы ИИС

• Математическое
• Лингвистическое
• Информационное
• Семантическое
• Программное
• Техническое
• Технологическое
• Кадровое

Классификация задач, решаемых ИИС

• Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается процесс определения смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.
• Диагностика. Под диагностикой понимается процесс соотношения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе. Неисправность — это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является здесь необходимость понимания функциональной структуры («анатомии») диагностирующей системы.
• Мониторинг. Основная задача мониторинга — непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы — «пропуск» тревожной ситуации и инверсная задача «ложного» срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учёта временного контекста.
• Проектирование. Проектирование состоит в подготовке спецификаций на создание «объектов» с заранее определёнными свойствами. Под спецификацией понимается весь набор необходимых документов—чертёж, пояснительная записка и т.д. Основные проблемы здесь — получение чёткого структурного описания знаний об объекте и проблема «следа». Для организации эффективного проектирования и в ещё большей степени перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.
• Прогнозирование. Прогнозирование позволяет предсказывать последствия некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.
• Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.
• Обучение. Под обучением понимается использование компьютера для обучения какой-то дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе они способны диагностировать слабости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.