Понятие интеллектуальной информационной системы

####04/09/10### 

«Понятие  интеллектуальной информационной системы» 

      Около полувека назад зародился как  наука искусственный интеллект  на основе которого создавались первые интеллектуальные информационные системы. В России первой такой системой называлась «логик-теоретик» предназначенная для доказательства теорем и исчисления высказываний. В первые её работа была продемонстрирована 9.08.1956 г. В настоящее время ИИС проникли во все сферы нашей жизни, основной целью построения которых является выявление, исследование и применение знаний высоко классифицированных экспертов для решения сложных задач возникающих на практике. В таких системах знания представляются в виде конкретных правил, решения тех или иных задач, т. е. Имитируется человеческое искусство анализа, неструктурированных или слабо структурированных проблем. Основным элементом ИИС является база знаний, для генерации алгоритмов решения прикладных задач в зависимости от конкретных потребностей пользователя. Признаки ИИС:

1. Развитые коммуникативные способности то есть взаимодействует с конечным пользователем в виде диалога.
2. Умение решать сложные, плохо формализуемые задачи то есть задачи которые требуют построение оригинального алгоритма в зависимости от конкретной ситуации или имеющие неопределенность исходных данных и знаний.
3. Способность к самообучению то есть умение системы накапливать опыт, а затем применять его для решения задач.
4. Адаптивность то есть способность системы к развитию в соответствии с изменениями в области знаний.

Классификация ИИС:

1. Системы с интеллектуальным интерфейсом, содержит 5 видов ИИС:

1.1 Интеллектуальные  базы данных, позволяют в отличии  от традиционных обеспечивать  выборку необходимой информации  присутствующей в неявном виде, а выводимой из совокупности  хранимых данных.

1.2 Естественно языковой интерфейс применяется к ИБД, а также пока документальной информации, голосового ввода команд в системах управления и машинного перевода с иностранных языков.

1.3 Гипертекстовые  системы, используются для реализации  поиска по ключевым словам  в базах данных с текстовой информацией.

1.4 Системы контекстной  помощи, относятся к классу систем  распространения знаний, в них  пользователь описывает проблему, а система на основе дополнительного  диалога, конкретизирует её и  выполняет поиск необходимых  рекомендаций, такие системы называются системой поддержки принятия решений(СППР).

1.5 Системы когнитивной  графики, ориентированы на общение  с пользователем с помощью  графических образов, Когнитивная  графика позволяет в наглядном  и выразительном виде представить множество параметров характеризующих получаемое явление, освобождает пользователя от анализа простейших ситуаций, способствует быстрому освоению программных средств и повышению конкурентно способности разрабатываемых ИИС. Используется в системах мониторинга в обучающих и тренажерных системах, в системах принятия решений(работают в режиме реального времени).

2. Экспертные системы делятся на:

2.1 Классифицирующие  ЭС, решают задачи распознавания  ситуации по конкретным признакам,  метод — дедуктивный логический  вывод.

2.2 До определяющие  ЭС, используются для решения  задач с не полностью определенными  данными и знаниями, методы —  это Байесовский вероятностный  метод. Коэффициент неуверенности  и нечеткая логика.

2.3 Трансформирующие  ЭС, относятся к динамическим  экспертным системам, в которых предполагается повторяющееся преобразование знаний в процессе решения задачи, методы — генерация и проверка гипотез, логика предположений и умолчаний, использование мета знаний для устранения неопределенностей в ситуациях.

2.4 Мульти агентные системы — это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний которые обмениваются между собой результатами в ходе решения задачи. Возможности:

а) Распределенное решение проблем разделенных  на параллельно решаемые самостоятельными источниками знания.

б) Реализация альтернативных рассуждений на основе использования  различных источников знания и механизма  устранения противоречий.

в) Применение различных  стратегий вывода в зависимости  от типа решаемой проблемы

г) Обработка больших массивов информации из баз данных.

д) Использование  математических моделей и внешних  процедур для имитации развития ситуации.

3. Самообучающиеся системы, основанные на методах автоматической классификации ситуации из реальной практики или обучение на примерах. Выделяют две стратегии: обучение с учителем, предполагает задание специалистом для каждого примера значение признаков показывающих его принадлежность к определенному  классу ситуации; обучение самостоятельно, предполагает самостоятельное выделение классов ситуации по степени близости значения признаков, выделяют:

3.1 Индуктивные  системы позволяют обобщать примеры  процедура обобщения сводиться  к классификации примеров по  значимым признакам. Алгоритм: выбор  классификационного признака из  множества данных; разбиение множества примеров на подмножества по значению выбранного признака; проверка принадлежности каждого подмножества к  одному из классов; проверка окончания процесса классификации(если какое то подмножество примеров принадлежит одному классу то у всех примеров совпадает значение классификационного признака, то процесс заканчивается); для подмножества примеров с несовпадающими значениями признаков процесс распознавание начинается с первого шага.

3.2 Нейронные  сети, представляет собой классический пример технологии основанной на примерах, используются при решении задач обработки сигналов и изображений, распознавание образов, а также для прогнозирования.

3.3 Системы основанные  на прецедентах(ситуация), имеет  базу знаний которая содержит описание конкретных ситуаций, поиск решения осуществляется на основе аналогии и включает следующие этапы:

1) Получение  информации о текущей проблеме

2) Сопоставление  полученной информации со значениями  признаков прецедентов из базы  данных.

3) Выбор ситуации из базы данных наиболее близкой к рассматриваемой проблеме.

4) Адаптация  выбранного прецедента к текущей  проблеме.

5) Проверка корректности  каждого полученного решения.

6) Занесение  детальной информации о полученном  решении в базу знаний, применяются:  для распространения знаний и в системах контекстной помощи.

3.4 Информационные  хранилища, представляют собой  хранилище значимой информации, регулярно извлекаемой из баз  данных, методы извлечения:  статистический  анализ и моделирование, используется  для оптимизации деятельности предприятия или фирмы.

4. Адаптивные ИС, требования:

1) Адекватно  отражать знания проблемной области  в каждый момент времени, так  как они постоянно меняются.

2) Быть пригодными  для легкой и быстрой реконструкции  при изменении проблемной среды, выделяют:

4.1 CASE-технологии, предполагает разработку информационной  системы с чистого листа, на  основе сформулированных требований, относиться к оригинальному проектированию.

4.2 Компонентные  технологии, осуществляет адаптацию  типовых разработок к особенностям проблемной области. 
 

Тема: «Понятие данных и знаний, понятие экспертной системы и этапы её разработки»

      1. Данные это отдельные факты  характеризующие объекты, процессы  и явления предметной области,  а также их свойства. При обработки  в ЭВМ данные трансформируются, проходя следующие этапы:

1) Наблюдение  и измерение

2) Данные на  машинных носителях

3) Модели данных  в виде графиков и диаграмм.

4) На языке  описания данных.

5) Базы данных  на машинных носителях.

      Знания  описывают не только отдельные факты, но и взаимосвязи между ними, поэтому их называют структурированными данными, следовательно при разработке ИИС сначала осуществляется накопление и представление данных, а затем знания представляются отдельными структурами данных удобными для обработки и хранения в ПК,  в ИИС знания могут иметь следующие формы:

1. Исходные знания
2. Исходные знания в виде модели представления знания это логические формулы, продукционные правила, семантическая сеть, иерархия фреймов и т. д.
3. Знания в виде структуры данных для хранения и обработки в ПК.
4. Базы знаний на машинных носителях.

Попытки решения  не формализованных задач привели  к формированию в области ИИ отдельного направления, инженерии знаний(ИЗ), суть которого состоит в выделении  знаний из предметной области и превращении их в базу знания. Знания это формализованная информация на которую ссылаются в процессе логического вывода. Два вида знаний:

1. Общедоступные это факты, теории, определения теорий из учебников, справочников и т. д
2. Индивидуальные это собственный опыт накопленный в результате многолетней работы, кроме того в работе знания делятся на:

1) Факты, фактические  знания. Это знания типа А это  А. Характерны для баз данных  и сетевых моделей.

2) Правила это  знания для принятия решений.  «Если А то Б»

3)Мета знания, указывают на знания касающиеся способа использования знаний, необходимы для управления базой данных, логическим выводом для  отождествления, обучения и т. д.

      На  характеристики ИИС оказывает форма  представления знаний, поэтому для  представления знаний разрабатываются формальные модели представления знаний. При разработке конкретной МПЗ учитывают следующие требования:

1. Представление знаний должно быть однородным, то есть единообразным.
2. Представление знаний должно быть понятно не только эксперту но и конечному пользователю.

      Выделяют 4 типичные МПЗ:

1. Логическая
2. Продукционная
3. Фреймовая
4. Модель семантической сети
2. Экспертная система это объединяющие возможности компьютера со знаниями и опытом эксперта в такой форме что система может предложить разумный совет или осуществить разумной решение поставленной задачи. ЭС как самостоятельное направление в ИИ сформировалось в конце 70ых годов. Область исследование ЭС называют инженерией знаний, состав ЭС:

1) База знаний

2) Механизм логических  выводов

3) База данных  для представления фактических знаний

4)* Модуль приобретения  знаний

5)* Пользовательский  интерфейс

6)* Модуль предложения  разумного совета с комментариями(модуль  советов и объяснений)

      Классификация ЭС:

1. По степени сложности(поверхностные и глубинные)
2. По степени связанности правил(связные и мало связные)
3. По типу модели предметной области(статический и динамические)
4. По стадиям разработки:

а) Демонстрационный прототип(10-100 правил)

б) Исследовательский  прототип(200-500 правил)

в) Действующий  прототип(500-1000 правил)

г) Промышленный образец(1000-1500 правил)

д) Коммерческий образец(1500-3000 правил)

5. По типу решаемых задач:

а) Интерпретирующие, т. е. Построение описаний ситуаций по наблюдаемым данным.

б) Прогнозирующие, вывод вероятных следствий из заданных ситуаций.

в) Диагностирующие, т. е. Заключение о нарушениях в системе исходя из наблюдений

г) Проектирующие  то есть построение конфигурации объектов при ограничениях

д) Планирующие, проектирование плана действий

е) Мониторинговые, сравнение наблюдений с критическими точками плана

ж) Отлаживающие, выработка рекомендаций по устранению неисправностей.

з) Ремонтирующие, выполнение плана применения выработанной рекомендацией

и) Обучающая, диагностика, отлаживание и исправление поведения  ученика

к) Управляющая, интерпретация+прогноз+ремонт+мониторинг систем.

3. Этапы разработки экспертной системы

Процесс разработки ЭС носит эволюционный характер и  содержит следующие этапы:

1. Идентификация это определение характеристик задачи, на этом этапе инженер по знаниям и эксперт определяют цели и задачи построения ЭС, её предметную область, ресурсы(время, вычислительные средства, ПО, литература), а также указывают участников процесса создания системы.
2. Концептуализация, поиск понятий для представления знаний. В ходе данного этапа эксперт и инженер по знаниям выявляют основные понятия отношения и характер информационных потоков необходимые для описания процесса решения задач.
3. Формализация это разработка структур для организации знания, здесь инженер по знаниям производит выбор инструментального средства и при помощи эксперта представляет основные понятия и отношения в рамках некоторого формализма.
4. Реализация, формулировка правил воплощающих знания, в ходе этапа эксперт осуществляет наполнение БЗ, а инженер по знаниям комбинирует и реорганизует формализованные данные.
5. Испытания, это оценка правил в которых воплащено знание, здесь проводиться оценка работы программы прототипа. Эксперт дает оценку работы программы и помогает инженеру по знаниям в последующих её изменениях
6. Опытная эксплуатация, проверяется пригодность ЭС для конечных пользователей.

###10/09/10### 

---! 

Пример: Все слоны  имеют серую окраску. 

Х — слоны

Слон(х)

цвет(х, серый)

()(слон) 

      Логический  вывод в таких моделях осуществляется с помощью закона силлогизма(если из А следует Б, а из Б следует С, то из А следует С). Достоинства данной модели:

1. Единственность теоретического обоснования
2. Возможность реализации системы формально точных определений и выводов.

Недостаток:

1. Сложно представить знание эксперта при решении сложных задач
2. Продукционная модель представления знаний.

      В продукционной модели(модели правил) знания представляются в виде совокупности правил «если, то». Существует 2 типа продукционных  систем:

1. С прямыми выводами, используются для решения задач диагностического характера. Эти системы включают три компонента:

1) База данных, содержащая много фактов

2) База правил  состоящих из набора продукции

3) Интерпретатор  для получения логического вывода  на основании этих знаний.

1+2 = образует  базу знаний, а интерпретатор  это механизм логического вывода. Вывод выполняется в виде цикла «понимаю — выполняю», причем в каждом цикле выполняемая часть выбранного правила обновляет базу данных, в результате содержимое базы данных преобразуется от первоначального к целевому, то есть целевая система синтезируется в базе данных.

      Пример: в базе данных хранятся образцы в  виде набора символов: намерение —  отдых, место отдыха — горы, использовать джип. В условной части располагается  правило:

1. ЕСЛИ намерение — отдых и дорога ухабиста ТО использовать джип
2. ЕСЛИ место отдыха горы ТО дорога ухабиста

При применении этих правил механизм вывода сопоставляет образцы из условной части с фактами  хранящимися в условной части  базы данных, если все образцы имеются  в БД, то условная часть считается  истиной, а правило выполнимым. В противном случае условная часть ложная, а правило невыполнимое. В данном случае правило 1 невыполнимое. Правило 1 невыполнимо, переходим к выполнению правилу 2. Условная часть истина, правило выполнимо, результат в БД. После этого правило 1 становиться выполнимым, так как условная часть становится истинной, результат выводиться на экран как результат программы.

      С обратными выводами, в котором  механизм логического вывода основан  на ином принципе: цель - использовать джип, для достижении цели проверяем правило 1. По скольку НО и ИД есть в базе данных, то для достижении цели необходимо доказать что дорога ухабиста. Принимаем ДУ за новую цель и переходим к правилу 2. Условная часть правила истина, правило выполнимо, цель ДУ доказана, а значит подтверждается цель использовать джип.

Достоинства:

1. Простота создания и понимание отдельных правил
2. Простота пополнения и изменения
3. Простота механизма логического вывода

Недостатки:

1. Неясность взаимных отношений правил
2. Сложность оценки целостного образа знаний
3. Крайне низкая эффективность обработки
4. Отличие от человеческой структуры знаний
5. Отсутствие гибкости в логическом выводе
3. Фреймовая модель представления знаний это модель представления знаний основанная на фреймовой теории Минского, представляет собой систематизированную психологическую модель памяти и сознания человека в виде единой теории. Фрейм это структура данных для представления некоторого концептуального объекта. Каждый фрейм описывает один концептуальный объект, а конкретные свойства этого объекта и факты относящиеся к нему описываются в слотах. Слот это структурный элемент данного фрейма. Общая структура фрейма:

имя фрейма:

имя слота 1 (значение слота 1)

имя слота 2 (значение слота 2)

имя слота N (значение слота N)

      Значением слота может быть числа, формулы, тексты на естественном языке, программы, правила вывода, ссылки на другие слоты данного фрейма или других фреймов, а также в качестве значения может выступать набор слотов более низкого уровня(принцип матрешки), пример:

записать фрейм  служащего Иванова Ивана Ивановича 1974 г. рождения, работающего 3 года программистом.

(Служащий:

      Фамилия(Иванов);

      Имя (Иван);

      Отчество (Иванович);

      год рождения (1974);

      специальность (программист);

      стаж (3 года))

Все фреймы в  программе взаимосвязаны и образуют единую фреймовую систему в которой объеденены декларативные и процедурные знания. Так как концептульному представлению свойственно иерархичность то целостный образ знаний строиться в виде одной фреймовой системе имеющей иерархическую структуру, например:

      фрейм аудитории:

# смотреть на  телефоне 

      Механизм  управления выводом может быть организован  следующим образом: при помощи специального слота, значением которого является присоединеная процедура для  вывода в этом фрейме задаются связи  между данным фреймом и другими  фреймами. При осуществлении вывода запускается одна из присоединенных процедур данного фрейма, затем оценивается возвращаемое значение и в зависимости от него последовательно запускаются присоединенные процедуры других фреймов. В ходе этого процесса происходит генерация и уничтожение слота, изменение значений слотов и т. д.  И таким образом происходит постепенное продвижение к получению целевого значения, данная модель эффективна для структурного описания сложных понятий и решения задач в которых в соответствии с ситуацией желательно применять различные способы вывода, однако в такой модели затрудняется управление завершенностью и постоянством целостного образа. По этой причине существует большая опасность нарушения присоединенной процедуры(фреймовая система без механизма присоединенных процедур, используется как база данных системных продуктов)

4. Семантические сети. Семантическая сеть это структура данных(система знаний имеющая определенный смысл в виде целостного образа сети узлы которой соответствуют понятиям и объектам, а дуги отношения между объектами)

Петров на протяжении периода времени с t1 по t2 владел автомобилем  марки святогор. 

# смотреть телефон

      Для показа иерархической сети все объекты  разделим на подмножество и элементы, дуги которых подпишем соответственно S и E

Q — конкретная  начало ситуации(начало сети) 

Особенность семантической  сети заключается в целостности  системы выполненной на её основе, непозволяющей разделить базу знаний и механизм вывода. Интерпритация  семантической сети, определяется с помощью использующих её процедур, которые основаны на нескольких способах, но наиболее типичные из них это способ сопоставления частей сетевой структуры. Он основан на построение на подсети соответствующей вопросу и сопостовления её с базой данных сети. 

---#

1. По приобретение — это способ автоматизированного построения базы знаний посредством диалога эксперта и специальной программы, при этом структура знаний заранее закладывается в программе, эта стратегия требует существенной предварительной проработки предметной области.
2. Извлечение знаний касается непосредственно живого контакта инженера по знаниям и источника знания.
3. Формирование знаний, включает индуктивные модели формирования гипотез на основе обучающих выборок, обучения по аналогии и другие методы.

Идентификация

     проблемы

### смотреть телефон

На современном  этапе  разработки экспертных систем стратегии извлечения знаний является наиболее актуальной, так как промышленных систем приобретения и формирования знаний на отечественном рынке практически  нет , таким образом процесс извлечения знаний это длительной ….... В которой необходимо воссоздать модель предметной области которой пользуются эксперты для принятия решений. Существуют три основных аспекта в процессе извлечения знаний:

1. Психологический
2. Лингвистический
3. Гносеологический

Психологический аспект является главным так как  определяет успешность и эффективность  взаимодействия инженера по знаниям  с основным источником знаний. При  извлечении знаний сушествует следующая  струткурная модель общения:

1. Участники общения
2. Средство общения
3. Предмет общения

В соответствии с этой структурой выделяют 3 «слоя» психологических проблем  возникающих  при извлечении знаний:

1. Контактный. Все психологи отмечают что на любой коллективный процесс влияет атмосфера возникающая в группе участников, в связи с этим можно выделить несколько черт личности, оказывающих влияние на эффективность процедуры: доброжелательность и дружелюбие, чувство юмора, хорошая память и внимание, наблюдательность, воображения и впечатлительность, большая собранность и настойчивость, общительность и находчивость, аналитичность, распологающая внешность и манера одеваться, уверенность в себе.
2. Процедурный. Проблемы данного слоя касаются проведения самой процедуры извлечения знаний. Беседу с экспертом лучше всего проводить в небольшом помещении тет-а-тет. Длительность одного сеанса не должна превышать 1-2 часа. Проводить лучше в первой половине дня с 10 до 12, причем взаимная утомляемость партнеров при беседе наступает через 20-25 минут, поэтому в сеансе нужны паузы. При этом результаты необходимо протоколировать. Для этого существуют 3 способа: 1) Запись на бумаге непосредственно по ходу беседы(недостатки: мешает беседе, трудно успеть записать все) 2) Магнитофонная запись(недостаток: может сковать эксперта) 3) Запоминание с последующей записью(недостаток: должна быть блестящая память).
3. Когнитивный слой. Когнитивная психология изучает механизмы при помощи которых человек познает окружающий мир. Инженеру по знаниям с позиции когнитивной психологии следует: 1) Не навязывать эксперту ту модель представления которая ему более понятна и естественна 2) Использовать различные методы работы с экспертом 3) Четко осозновать цель процедуру извлечения или её главную стратегию 4) Чаще рисовать схемы отображающие рассуждения эксперта.