Тема 4. Применение интеллектуальных ИТ для формирования решений

машин (компьютеров, роботов и т.д.).

(первоначальная цель);
понять, что такое интеллект (научная цель);
сделать машины более полезными

(предпринимательская цель).

правильное реагирование на новую ситуацию;
эффективное использование процедуры заключений (выводов) для

решения проблем;
анализ сложных ситуаций;
Предсказание.

информационных системах;
решать задачи, которые не могут быть решены обычными методами;
значительно

увеличить скорость и качество решения задач;
решать задачи в условиях неполноты данных;
анализировать большие объемы информации;
понимать речь, ручное письмо и т.д.

речи;
управления роботами;
распознавания образов;
нейронные сети;
интеллектуальные агенты;

Системы, комбинирующие две и более

из перечисленных систем называются гибридными.

информатики, в рамках которого ставятся и решаются задачи аппаратного и

программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными (творческими).

Интеллектуальные системы и технологии применяются для тиражирования профессионального опыта и решения сложных научных, производственных и экономических задач.

систем, основанных на знаниях.
Связано с разработкой моделей представления знаний,

созданием баз знаний, образующих ядро экспертных систем. Включает в себя модели и методы извлечения и структурирования знаний и сливается с инженерией знаний.
Игры и творчество.
Включает игровые интеллектуальные задачи – шахматы, шашки, го.

анализа и синтеза языковых сообщений.
Распознавание образов.
Каждому объекту ставится в соответствие

матрица признаков, по которой происходит его распознавание.
Новые архитектуры компьютеров.
Разработка новых аппаратных решений и архитектур, направленных ан обработку символьных и логических данных.Создаются Пролог- и Лисп-машины, компьютеры V и VI поколений.

Направления развития искусственного интеллекта

решения задач невычислительного характера (символьную обработку информации): Лисп, Пролог, Smalltalk,

РЕФАЛ и др.
Обучение и самообучение.
Включает модели, методы и алгоритмы, ориентированные на автоматическое накопление знаний на основе анализа и обобщения данных. Включает обучение по примерам (индуктивное), а также традиционные подходы распознавания образов.

Направления развития искусственного интеллекта

интеллектуальный интерфейс;
умение решать сложные, плохо формализуемые задачи

экспертные системы;
способность к развитию и самообучению самообучающиеся системы.

отличаются от обычных возможностью выборки по запросу информации, которая может

явно не храниться, а выводиться из имеющейся БД.
Пример: вывести список товаров, цена которой выше отраслевой.
Естественно-языковый интерфейс предполагает трансляцию естественно-языковых конструкций на машинный уровень представления знаний. При этом осуществляется распознавание и проверка написанных слов по словарям и синтаксическим правилам. Данный интерфейс используется для доступа к интеллектуальным БД, голосового ввода команд в системах управления, машинного перевода с иностранных языков.
Гипертекстовые системы предназначены для поиска по ключевым словам в базах текстовой информации.
Системы контекстной помощи – частный случай гипертекстовых и естественно-языковых систем.
Системы когнитивной графики позволяют осуществлять взаимодействие пользователя ИИС с помощью графических образов, которые генерируются в соответствии с происходящими событиями.

подобных систем:

интеллектуальный интерфейс (в основном для баз данных);

грамматический и

смысловой анализ текста;

составление рефератов, писем;

перевод с одного естественного языка на другой;

перевод с одного языка программирования на другой;

распознавание и синтезация речи компьютером.

инструментом, усиливающим интеллектуальные способности всей системы в целом, и выполняет

роли:

Консультанта для неопытных (непрофессиональных) пользователей.
Ассистента при анализе различных вариантов принятия решения.
Партнера эксперта по вопросам, относящимся к смежным областям деятельности.

Достоинство применения ЭС – возможность принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется в виде цепочки рассуждений из базы знаний.

системы – динамические системы, для которых характерна интеграция баз знаний,

обменивающихся между собой результатами на ди намической основе, например, через «доску объявлений»
Агент – самостоятельная ИИС, имеющая свою систему целеполагания и мотивации, область действий и ответственности.
В многоагентных системах моделируется виртуальное сообщество интеллектуальных агентов, которые вступают в различные социальные отношения – кооперации, сотрудничества, конкуренции, соревнования, вражды.

функции нейрона (нервной клетки).

Применяются:
В задачах классификации
В задачах прогнозирования

управлении
Управление кредитными рисками.
Предсказание ситуации на фондовом рынке.
Оценка стоимости недвижимости.
Прогнозирование динамики

биржевых курсов.
Автоматическое распознавание чеков.
Обнаружение нарушений при уплате налогов.
Анализ рынка ценных бумаг.
Выдача кредитов.
Предсказание валютных курсов.
Оценивание кандидатов на должность.
Оптимальное распределение ресурсов.

характеризующие объекты, процессы и явления в предметной области, а также

их свойства.
Знания основываются на данных, но представляют результат мыслительной деятельности человека, обобщают его опыт, полученный в ходе выполнения какой-либо практической деятельности.
Знания – это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области.

знания в виде предложений типа:
ЕСЛИ (условие), ТО (действие)

Условие - это

предложение-образец, по которому осуществляется поиск в базе знаний.
Действие – это действия, выполняемые при успешном исходе поиска.

перебором правил, называется машиной вывода.
Вывод бывает:
Прямой – от данных к

поиску цели
Обратный – от цели для ее подтверждения к данным.
Данные – это исходные факты, на основании которых запускается машина вывода.

Продукционная модель

ЕСЛИ «отдых – летом» И «человек – активный»
ТО «ехать

в горы»
П2: ЕСЛИ «любит солнце»
ТО «отдых летом»
Предположим, что в систему поступили данные:
«человек – активный» И «любит солнце»

Продукционная модель. Пример.

получить ответ.
1-й проход:
Шаг 1. Пробуем П1, не работает

– не хватает данных «отдых–летом».
Шаг 2. Пробуем П2, работает,
в базу поступает факт «отдых – летом».
2-й проход:
Шаг 3. Пробуем П1, работает, активирует цель «ехать в горы»,
которая и выступает, например, как совет, который дает система.

Обратный вывод: подтвердить выбранную цель при помощи имеющихся правил и данных.
1-й проход:
Шаг 1. Цель – «ехать в горы»:
Пробуем П1 – данных «отдых – летом» нет,
они становятся новой целью, и имеется правило, где она в правой части.
Шаг 2. Цель «отдых – летом»:
Правило П2 подтверждает цель и активирует ее.
2-й проход:
Шаг 3. Пробуем П1, подтверждается искомая цель.

эффективные процедуры вывода;
Наглядно отражают знания.
Недостатки модели:
Проявляются, когда число правил становится

большим и возникают побочные эффекты от изменения старого и добавления нового правила.

Продукционная модель

ПИЭС, СПЭИС.
Промышленные экспертные системы на основе продукционного подхода - ФИАКР.
Программные

средства, реализующие продукционный подход

вершины которого – понятия, а дуги – отношения между ними.
Понятия

– абстрактные или конкретные объекты.
Отношения – это связи типа: «это», «имеет частью», «принадлежит», «любит».
Проблема поиска решения в базе знаний сводится к задаче поиска фрагмента сети, представляющего некоторую подсеть, соответствующую поставленному вопросу.

является поставщиком кинескопов?
Какие кинескопы производит ОАО «Горизонт»?

представлениям об организации долговременной памяти человека.
Недостатки модели:
Сложность поиска вывода на

семантической сети.

Семантические сети

языки:
NET.
Экспертные системы, использующие семантические сети в качестве языка представления знаний:
PROSPECTOR,
CASNET,
TORUS.
Семантические

сети

виде единой теории технологическую модель памяти человека и его сознания.
Фрейм

– структура данных для представления некоторого концептуального объекта.
Информация, относящаяся к этому фрейму, содержится в в составляющих фрейма – слотах.

в базе знаний:
(ИМЯ ФРЕЙМА:
(имя 1-го слота : значение 1-го слота),
(имя

2-го слота : значение 2-го слота),
…,
(имя n-го слота : значение n-го слота)).
Например,:
(СПИСОК РАБЮОТНИКОВ:
Фамилия (значение слота 1);
Год рождения (значение слота 2);
Специальность (значение слота 3);
Стаж (значение слота 4))
Если в качестве значений слотов использовать реальные данные из таблицы, получится фрейм-экземпляр.
Фреймы-экземпляры создаются для отображения реальных ситуаций на основе поступающих данных.

Фреймовая модель

человека;
Естественность, наглядность представления;
Модульность;
Поддержка возможности использования слотов по умолчанию.
Недостатки модели:
Отсутствие механизмов

управления выводом.

Фреймовая модель

позволяют эффективно строить промышленные экспертные системы:
FRL (Frame Representation Language)
Фреймо-ориетированные экспертные

системы:
ANALYST, МОДИС.

Фреймовая модель

необходимая для решения прикладных задач, рассматривается как совокупность фактов и

утверждений, которые представляются как формулы в некоторой логике.
Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода.

понятие формальной теории, задаваемое:
S=
B – счетное множество базовых символов (алфавит);
F

– множество, называемое формулами;
A – выделенное подмножество априори истинных формул (аксиом);
R – конечное множество отношений между формулами, называемое правилами вывода.
Предметная область или задача описывается в виде набора аксиом.

Формальные логические модели

достаточно хорошо изучены;
Существуют достаточно эффективные процедуры вывода, в том числе

реализованные в языке логического программирования Пролог;
В базах знаний можно хранить лишь множество аксиом, а все остальные знания получать из них по правилам вывода.
Недостатки модели:
Предъявляет очень высокие требования и ограничения к предметной области, в связи с чем модель применима лишь в исследовательских системах.

Формальные логические модели

многом близки между собой и обладают одинаковыми возможностями описывать и

представлять знания.
Разница в том, насколько удобно и естественно представлять те или иные знания в виде логических формул, семантических сетей, фреймов или продукций.

знаниях, правила (или эвристики), по которым решаются проблемы в конкретной

предметной области, хранятся в базе знаний.
Проблемы ставятся перед системой в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение из этих фактов.

контроль и управление,
обучение.

циклическом

диалога, называемом режимом консультации

усвоение новой информации
выдвижение временных гипотез
Такой процесс продолжается до

тех пор, пока не поступит информация, достаточная для окончательного заключения.

«нет»

Вопрос

три типа знаний:
структурированные статические знания о предметной области, после того

как эти знания выявлены, они уже не изменяются;
структурированные динамические знания — изменяемые знания о предметной области; они обновляются по мере выявления новой информации;
рабочие знания, применяемые для решения конкретной задачи или проведения консультации.

опыта, знаний профессионалов высокого уровня и использования этих знаний, в

процессе управления.

рекомендацию для выбора действия.

система (ИИС), предназначенная для решения слабоформализуемых задач на основе накапливаемого

в базе знаний опыта работы экспертов в проблемной области.

Экспертная система включает базу знаний с набором правил и механизмом вывода
Экспертная система позволяет на основании предоставляемых пользователем фактов распознать ситуацию, поставить диагноз, сформулировать решение или дать рекомендацию для выбора действия.

знаний, которая основывается на моделях представления знаний.
В системах, основанных

на знаниях, правила, по которым решаются проблемы в конкретной предметной области, хранятся в базе знаний.
Проблемы ставятся перед системой в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение из этих фактов.

База знаний содержит элементы
Факты (данные) из предметной области
Специальные правила (эвристики),

которые управляют использованием фактов при генерации знаний.
Выявлением знаний эксперта и представлением их в БЗ занимаются специалисты – инженеры знаний.
ЭС должна обладать механизмом приобретения знаний для ввода знаний в базу и их последующего обновления.
Механизм приобретения знаний– это интеллектуальный редактор (в простейшем случае), который позволяет вводить единицы знаний в базу, а также проводить их анализ на непротиворечивость.

сбор, передача и преобразование опыта решения задач из определенных источников

знаний в компьютерные программы при их создании или расширении.
Источники знаний – эксперты, специалисты, БД, научные отчеты,учебная литература, опыт пользователей-менеджеров и экономистов

из базы знаний, получение и представление заключений и рекомендаций посредством

формирования и организации последовательности процедур, необходимых для решения задачи.

дружественный и проблемно-ориентированный интерфейс пользователя.

поведение ЭС, интерактивно отвечая на вопросы типа:
Как было получено заключение?
Почему

эта альтернатива была отвергнута?
Какова последовательность подготовки решения?

называют инженерией знаний.
Этот процесс требует специфической формы взаимодействия создателя

экспертной системы, которого называют инженером знаний, и одного или нескольких экспертов в некоторой предметной области.
Инженер знаний «извлекает» из экспертов процедуры, стратегии, эмпирические правила, которые они используют при решении задач, и встраивает эти знания в экспертную систему.
В результате появляется система, решающая задачи во многом так же, как человек-эксперт.

экспертов в данной области;

гибкость – возможность наращиваться постепенно в соответствии

с нуждами бизнеса или заказчика;

прогностические возможности;

спосбность объяснить, каким образом новая ситуация привела к изменениям;

накопление и организация знаний.

пользователей.

Помощь при анализе различных вариантов принятия решения.

Помощь по вопросам, относящимся

к смежным областям деятельности.

ЭС их можно разбить на три основных типа:
языки программирования;
среды программирования;
пустые

ЭС (оболочки).

для манипулирования знаниями:
Пролог — язык высокого уровня, ориентированный на использование

концепций и методов математической логики.
Язык Лисп обладает способностью обрабатывать списковые структуры.
Языки программирования, ориентированные на обработку символьной информации и разработку ЭС:
Smalltalk,
FRL,
Interlisp.
Языки программирования общего назначения:
Си,
Паскаль,
Бейсик и др.

Трудности с модификацией готовой системы.
Недостатки использования языков программирования для

создания экспертных систем

некоторые или все компоненты ЭС, а выбирать их из заранее

составленного набора.

разработчик ЭС полностью освобождается от работ по созданию программ и

занимается лишь наполнением базы знаний.

5.0 for Windows (оболочка — по определению разработчика — компании

MultiLogic Inc., США) и его последующая модификация Exsys Developer 8.0, предназначенный для создания прикладных экспертных систем в различных предметных областях.
Система построена на использовании сложных правил вида ЕСЛИ-ТО-ИНАЧЕ. Для выбора стратегии получения заключения в системе по умолчанию используется обратная цепочка вывода. Прямая цепочка может быть задана при настройке системы.
Система обладает развитым графическим интерфейсом, способна обращаться к внешним базам данных, проверять правила на непротиворечивость. При определенной настройке может работать с русскоязычными текстами.

определение смыслового содержания входных данных;
предсказание последствий наблюдаемых ситуаций;
диагностика неисправностей (заболеваний)

по симптомам;
конструирование объекта с заданными свойствами при соблюдении установленных ограничений;
планирование последовательности действий, приводящих к желаемому состоянию объекта;
слежение (наблюдение) за изменяющимся состоянием объекта и сравнение его параметров с установленными или желаемыми;
управление объектом с целью достижения желаемого поведения;
поиск неисправностей;
обучение.

информационных системах
Анализ финансового состояния предприятия.
Оценка кредитоспособности предприятия.
Планирование финансовых ресурсов предприятия.
Формирование

портфеля инвестиций.
Страхование коммерческих кредитов.
Выбор стратегии производства.
Оценка конкурентоспособности продукции.
Выбор стратегии ценообразования.
Выбор поставщика продукции.
Подбор кадров.

кредитора) – помощь менеджерам, занимающимся кредитами, анализом коммерческих займов и

структуризации пакетов займов.
Unerwiting Advistor (гарантирующий консультант) – оценивает риск в страховании для определения калькуляции цен.
EXPERTAX – готовит рекомендации ревизорам и налоговым специалистам в подготовке финансовых деклараций и расчетов по налогам.
Letter of Credit Advistor – для автоматизации офиса для помощи клерку в подготовке и оплате кредитных писем
XCON – для решения задач по оказанию консультационной помощи при выборе конфигурации компьютера.
PSY – отечественная ЭС, используется руководителями учреждений, менеджерами, работниками кадровых служб и психологами для решения кадровых вопросов.

темы
Дайте определение интеллектуальной информационной системы.
Каковы характерные признаки ИИС?
Перечислите

основные функции, которые должна выпол­нять интеллектуальная информационная технология.
Назовите основные классы ИИС.
Чем интеллектуальные БД отличаются от обычных?
Дайте определение экспертной системы.
Как представлена архитектура ЭС?
Объясните назначение блоков экспертной системы.
На какие три основных типа можно разбить инструментальные средства построения ЭС?
Какие инструментальные средства создания экспертных сис­тем существуют в настоящее время?
Определите круг задач, решаемых с помощью ЭС в экономических информационных системах.
Каковы области применения нейронных сетей в экономике?