Понятие интеллектуальной информационной системы. Шпаргалка: Интеллектуальные информационные системы

Интеллектуальная информационная система (ИИС ) – это информационная система, которая основана на концепции использования базы знаний для генерации алгоритмов решения экономических задач различных классов в зависимости от конкретных информационных потребностей пользователей.

Иску́сственный интелле́кт - это наука и разработка интеллектуальных машин и систем, особенно интеллектуальных.

Классификация ИИС (рис. 4.10). В зависимости от своей природы знание бывает фактуальное и операционное.

Фактуальное знание – осмысленные данные.

Операционное знание – общие зависимости между фактами, которые позволяют интерпретировать данные или извлекать из них новую информацию.

К главным недостаткам традиционной ИС относятся:

1.Слабая адаптируемость к информационным потребностям пользователя.

2.Невозможность решать плохо формализуемые задачи.

Перечисленные недостатки устраняются в ИИС. ИИС имеют следующие характерные признаки :

Развитые коммуникативные способности;

Умение решать сложные, плохо формализуемые задачи (характеризуются наполовину качественным и количественным описанием, а хорошо формализуемые задачи – полностью количественным описанием);

Способность к развитию и самообучению.

Условно каждому из этих признаков соответствует свой класс ИИС:

I класс: системы с интеллектуальным интерфейсом (коммуникативные способности):

1.Интеллектуальные БД;

2.Естественно-языковой интерфейс;

3.Гипертекстовые системы;

4.Контекстные системы;

5.Когнитивная графика.

II класс: экспертные системы (решение сложных задач):

1.Классифицирующие системы;

2.Доопределяющие системы;

3.Трансформирующие системы;

4.Многоагентные системы.

III класс: самообучающиеся системы (способность к самообучению):

1.Индуктивные системы;

2.Нейронные сети;

3.Системы, основанные на прецедентах;

4.Информационные хранилища.

Рис. 4.10. Классификация ИИС

Интеллектуальные БД – отличаются от обычных возможностью выборки по запросу информации, которая может явно не храниться, а выводиться из имеющейся БД (например, вывести список товаров, цена которых выше отраслевой).

Естественно-языковой 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 облегчает обращение к интеллектуальным БД, а также голосовой ввод команд в системах управления.

. 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.

2. 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.

3. "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).

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.

5. 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.

6 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.

7. 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;

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.

8. 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.

Этап идентификации проблемной области - определение требований к разрабатываемой ЭС, контуров рассматриваемой проблемной области (объектов, целей, подцелей, факторов), выделение ресурсов на разработку ЭС.

Этап идентификации проблемной области включает определение назначения и сферы применения экспертной системы, подбор экспертов и группы инженеров по знаниям, выделение ресурсов, постановку и параметризацию решаемых задач.

Начало работ по созданию экспертной системы инициируют руководители компаний. Обычно необходимость разработки экспертной системы связана с затруднениями лиц, принимающих решение, что сказывается на эффективности функционирования проблемной области. Как правило, назначение экспертной системы связано с одной из следующих областей:

Обучение и консультация неопытных пользователей;

Распространение и использование уникального опыта экспертов;

Автоматизация работы экспертов по принятию решений;

Оптимизация решения проблем, выдвижение и проверка гипотез.

После предварительного определения контуров разрабатываемой экспертной системы инженеры по знаниям совместно с экспертами осуществляют более детальную постановку проблем и параметризацию системы. К основным параметрам проблемной области относятся следующие:

Класс решаемых задач (интерпретация, диагностика, коррекция, прогнозирование, планирование, проектирование, мониторинг, управление);

Критерии эффективности результатов решения задач (минимизация использования ресурсов, повышение качества продукции и обслуживания, ускорение оборачиваемости капитала и т.д.);

Критерии эффективности процесса решения задач (повышение точности принимаемых решений, учет большего числа факторов, просчет большего числа альтернативных вариантов, адаптивность к изменениям проблемной области и информационных потребностей пользователей, сокращение сроков принятия решений);

Цели решаемых задач (выбор из альтернатив, например, выбор поставщика или синтез значения, например, распределение бюджета по статьям);

Подцели (разбиение задачи на подзадачи, для каждой из которых определяется своя цель);

Исходные данные (совокупность используемых факторов);

Особенности используемых знаний (детерминированность/ неопределенность, статичность/динамичность, одноцелевая/ многоцелевая направленность, единственность/ множественность источников знаний).

На этапе формализации базы знаний осуществляется выбор метода представления знаний. В рамках выбранного формализма осуществляется проектирование логической структуры базы знаний.

Этап формализации базы знаний - выбор метода представления знаний, в рамках которого проектируется логическая структура базы знаний.

Логическая модель предполагает унифицированное описание объектов и действий в виде предикатов первого порядка.

Логическая модель отражает логические связи между элементами данных вне зависимости от их содержания и среде хранения.

Логическая модель данных может быть реляционной, иерархической или сетевой. Пользователям выделяются подмножества этой логической модели, называемые внешними моделями, отражающие их представления о предметной области. Внешняя модель соответствует представлениям, которые пользователи получают на основе логической модели, в то время как концептуальные требования отражают представления, которые пользователи первоначально желали иметь и которые легли в основу разработки концептуальной модели. Логическая модель отображается в физическую память, такую, как диск, лента или какой-либо другой носитель информации.

11. 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).

Генетические Алгоритмы (ГА) – это адаптивные методы функциональной оптимизации, основанные на компьютерном имитационном моделировании биологической эволюции. Основные принципы ГА были сформулированы Голландом (Holland, 1975), и хорошо описаны во многих работах и на ряде сайтов в Internet.

Теория Дарвина традиционно моделируется в ГА, хотя, конечно, это не исключает возможности моделирования и других теорий эволюции в ГА.

В основе модели эволюции Дарвина лежат случайные изменения отдельных материальных элементов живого организма при переходе от поколения к поколению. Целесообразные изменения, которые облегчают выживание и производство потомков в данной конкретной внешней среде, сохраняются и передаются потомству, т.е. наследуются. Особи, не имеющие соответствующих приспособлений, погибают, не оставив потомства или оставив его меньше, чем приспособленные (считается, что количество потомства пропорционально степени приспособленности). Поэтому в результате естественного отбора возникает популяция из наиболее приспособленных особей, которая может стать основой нового вида, каждый конкретный генетический алгоритм представляют имитационную модель некоторой определенной теории биологической эволюции или ее варианта.

Работа ГА представляет собой итерационный процесс, который продолжается до тех пор, пока поколения не перестанут существенно отличаться друг от друга, или не пройдет заданное количество поколений или заданное время. Для каждого поколения реализуются отбор, кроссовер (скрещивание) и мутация.

13. Этап концептуализации проблемной области - построение концептуальной модели, отражающей в целостном виде сущность функционирования проблемной области на объектном (структурном), функциональном (операционном), поведенческом (динамическом) уровнях

На этапе построения концептуальной модели создается целостное и системное описание используемых знаний, отражающее сущность функционирования проблемной области. От качества построения концептуальной модели проблемной области во многом зависит насколько часто в дальнейшем по мере развития проекта будет выполняться перепроектирование базы знаний. Хорошая концептуальная модель может только уточняться (детализироваться или упрощаться), но не перестраиваться.

Результат концептуализации проблемной области обычно фиксируется в виде наглядных графических схем на объектном, функциональном и поведенческом уровнях моделирования:

Объектная модель описывает структуру предметной области как совокупности взаимосвязанных объектов;

Функциональная модель отражает действия и преобразования над объектами;

Поведенческая модель рассматривает взаимодействия объектов во временном аспекте.

Первые две модели описывают статические аспекты функционирования проблемной области, а третья модель - динамику изменения ее состояний. Естественно, что для различных классов задач могут требоваться разные виды моделей, а следовательно, и ориентированные на них методы представления знаний. Рассмотрим каждую из представленных видов моделей.

Объектная модель - отражение на семантическом уровне фактуального знания о классах объектов, их свойств и отношений.

Концептуальное проектирование - сбор, анализ и редактирование требований к данным. Для этого осуществляются следующие мероприятия:

Обследование предметной области, изучение ее информационной структуры;

Выявление всех фрагментов, каждый из которых характеризуется пользовательским представлением, информационными объектами и связями между ними, процессами над информационными объектами

Моделирование и интеграция всех представлений

По окончании данного этапа получаем концептуальную модель, инвариантную к структуре базы данных. Часто она представляется в виде модели "сущность-связь".

Логическое проектирование - преобразование требований к данным в структуры данных. На выходе получаем СУБД-ориентированную структуру базы данных и спецификации прикладных программ. На этом этапе часто моделируют базы данных применительно к различным СУБД и проводят сравнительный анализ моделей.

Физическое проектирование - определение особенностей хранения данных, методов доступа и т.д.

Архитектура экспертной системы экономического анализа (особенности формирования базы знаний, выбора методов логического вывода, пользовательского интерфейса) во многом зависит от целей и глубины анализа: внешнего (для сторонних организаций) или внутреннего (для самого предприятия).

Внешний экономический анализ проводится внешними для предприятия субъектами: инвесторами, кредиторами, партнерами, поставщиками, аудиторами, налоговыми и таможенными службами, страховыми организациями и т.д. Для внешнего анализа используются интерпретирующие экспертные системы.

Целью внешнего анализа предприятия является определение общего состояния предприятия, т.е. интерпретация его экономического положения с точки зрения выявления возможностей эффективного взаимодействия с ним внешних организаций

Интеллектуальная система моделирования бизнес-процессов предназначена для анализа на долговременной основе эффективности организации бизнес-процессов, прогнозирования последствий реализации рекомендаций по реинжинирингу бизнес-прцессов.

В случае применения экспертной системы внутреннего финансового анализа FINEX экспертиза осуществляется автоматически на основе введенных данных финансовой отчетности.

Функциями экспертной системы финансового анализа предприятия являются:

Ввод и проверка правильности составления бухгалтерской отчетности;

Анализ финансового состояния предприятия;

Анализ результатов финансово-хозяйственной деятельности предприятия и диагностика эффективности использования ресурсов.

Анализ финансового состояния предприятия предполагает комплексную рейтинговую и классификационную оценку платежеспособности и финансовой устойчивости предприятия.

Классификационный метод - ситуации классифицируются как различные комбинации значений признаков, при этом используется конъюнктивный подход к построению правил. Этот метод точный, жесткий.

1. Введение
2. Глава I. История развития Интеллектуальных информационных систем
3. Глава II. Интеллектуальные системы и их виды
4. Глава III. Интеллектуальные информационные системы (ИИС) поддержки принятия решений
5. Глава IV. Разработка и проектирование ИИС

5.1 §1. Этапы проектирования ИИС
5.2 §2. Стадии существования ИИС
5.3 §3. Инструментальные средства проектирования ИИС

6. Глава V. Архитектура ИИС

6.1 §1. Структура интеллектуальной системы
6.2 §2. Структура БЗ и взаимодействие с другими компонентами интеллектуальной системы
6.3 §3. Модели представления знаний в ИИС
6.4 §4. Обработка знаний и вывод решений в ИИС
6.5 §5. Интеллектуальный интерфейс

7. Глава VI. Классификация ИИС

7.1 §1. Экспертные системы
7.2 §2. Вопросно-ответные системы

8. Глава VII. Перспективы развития ИИС в управлении знаниями

9. Заключение

10. Список источников информации

Введение

Основное назначение информационных систем в экономике - это своевременное представление необходимой информации ЛПР для принятия им адекватных и эффективным решений при управлении процессами, ресурсами, финансовыми транзакциями, персоналом или организацией в целом. Однако в процессе развития информационных технологий, исследования операций и технологий моделирования, а также с возрастанием потребителей информационно - аналитической поддержки самих ЛПР, все больше проявлялась потребность в системах, не только представляющих информацию, но и выполняющих некоторый ее предварительный анализ, способных давать некоторые советы и рекомендации, осуществлять прогнозирование развития ситуаций, отбирать наиболее перспективные альтернативы решений, т.е. поддерживать решения ЛПР, взяв на себя значительную часть рутинных операций, а также функции предварительного анализа и оценок.

Э. Фейгенбаум, Э. Шортлиф: Экспертная система MYCIN

Стэндфордский исследовательский центр: Экспертная система PROSPECTOR

А. Колмероэ, Р. Ковальски и др. (Франция): Язык логического программированияPROLOG.

Возрождение искусственный нейронных сетей (1965 и далее)

Дж. Хопфилд: Нейронные сети и физические с эмержентными коллективными вычислительными способностями, 1982.

Т. Кохонен: Самоорганизующиеся топологически правильные карты, 1982.

Д. Румельхарт и Д. Макклеланд: Распределенная параллельная обработка данных,1986.

Эволюционное вычисление (начало 1970-х и далее)

И. Рехенберг: Эволюционные стратегии - оптимизация технических систем по принципам биологической информации, 1973.

Дж. Холланд: Адаптация в естественных и искусственных системах, 1975.

Дж. Коза: Генетическое программирование: компьютерное программирование средствами естественного отбора, 1992.

Д.Фогель: Эволюционное вычисление - направление новой философии в машинном интеллекте, 1995.

Нечеткие множества и нечеткая логика (середина 1960-х и далее)

Л. Заде: Нечеткие множества, 1965.

Л. Заде: Нечеткие алгоритмы, 1969.

Э. Мамдани: Применение нечеткой логики в приближенном рассуждении с использованием лингвистического синтеза, 1977.

М. Суджено: Нечеткий логический вывод (алгоритм Такаги-Суджено), 1985

Вычисления при помощи слов (конец 1980-х и далее)

А. Нейгоца: Экспертные системы и нечектие системы, 1985.

Б. Коско: Нейронные сети и нечеткие системы, 1992.

Б. Коско: Нечеткое мышление, 1993.

Р. Ягер и Л. Заде: нечеткие множества, нейронные сети и мягкие вычисления,1994.

Б. Коско: Нечеткая инженерия, 1996.

Л. Заде: Вычисления при помощи слов, 1996.

Таким образом, исторически разработки в области ИИ велись в двух основных направлениях:

• первое направление связано с попытками разработки ин-теллектуальных машин путем моделирования их биологического прототипа - человеческого мозга. Сейчас это направление возрож-дается на основе развития современных аппаратных и программ-ных средств (микрочипы на основе нечеткой логики, распределенные многопроцессорные системы, многоагентные системы, мягкие вычисления, генетические алгоритмы и нейронные сети и т.д.).
• второе направление связано с разработками методов, приемов, специализированных устройств и программ для компью-теров, обеспечивающих решение сложных математических и ло-гических задач, позволяющих автоматизировать отдельные ин-теллектуальные действия человека (системы, основанные на знаниях, экспертные системы, прикладные интеллектуальные системы).

Эти два направления как бы определяют программу минимум и программу максимум, между которыми и лежит область сегодняшних исследований и разработок систем ИИ. Работы по разработке программного и аппаратного обеспечения ИИ выделены в отдельную область.

Глава II. Интеллектуальные системы и их виды

Интеллектуальная система (ИС, intelligent system) — это техническая или программная система, способная решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. Структура интеллектуальной системы включает три основных блока — базу знаний, решатель и интеллектуальный интерфейс.

Со всем процессом разработки интеллектуальных информационных систем в целом и ЭС в частности тесно связана Инженерия знаний . Это методология ЭС, которая охватывает методы добычи, анализа и выражения в правилах знаний экспертов для формирования базы правил. Развитие ЭС создало инженерию знаний - процесс построения интеллектуальных систем. Она представляет собой совокупность моделей, методов и технических приемов, нацеленных на создание систем, которые предназначены для решения проблем с использованием знаний. Главными элементами инженерии знаний являются использование операций типа обобщение, генерация гипотез для индуктивных выводов, подготовка новых программ самими компьютерными программами и т.д. Слово engineering в английском означает искусная обработка предметов, изобретение или создание чего-либо. Следовательно, работу по оснащению программ специальными экспертными знаниями из проблемной области, выполняемую человеком, либо компьютером (программой), также можно назвать инженерией знаний.

Виды интеллектуальных систем:

К расчетно-логическим системам относят системы, способные решать управленческие и проектные задачи по декларативным описаниям условий. При этом пользователь имеет возможность контролировать в режиме диалога все стадии вычислительного процесса. системы способны автоматически строить математическую модель задачи и автоматически синтезировать вычислительные алгоритмы по формулировке задачи. Эти свойства реализуются благодаря наличию базы знаний в виде функциональной семантической сети и компонентов дедуктивного вывода и планирования

Рефлекторная система - это система, которая формирует вырабатываемые специальными алгоритмами ответные реакции на различные комбинации входных воздействий. Алгоритм обеспечивает выбор наиболее вероятной реакции интеллектуальной системы на множество входных воздействий, при известных вероятностях выбора реакции на каждое входное воздействие, а также на некоторые комбинации входных воздействий. Данная задача подобна той, которую реализуют перцептроны. Перцептро?н, или персептрон (perceptron) — математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Фрэнком Розенблаттом в 1957 г. и реализованная в виде электронной машины «Марк-1» в 1960 г. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» — первым в мире нейрокомпьютером. Несмотря на свою простоту, перцептрон способен обучаться и решать довольно сложные задачи. Рефлекторные программные системы применяются к следующим задачам: естественно-языковой доступ к базам данных; оценки инвестиционных предложений; оценки и прогнозирования влияния вредных веществ на здоровье населения; прогнозирования результатов спортивных игр.

3 . Интеллектуальная информационная система

Интеллектуальная информационная система (ИИС, intelligent system) — система, основанная на знаниях.

4 . Гибридная интеллектуальная система

Под гибридной интеллектуальной системой принято понимать систему, в которой для решения задачи используется более одного метода имитации интеллектуальной деятельности человека. Таким образом ГИС — это совокупность:

• аналитических моделей
• экспертных систем
• искусственных нейронных сетей
• нечетких систем
• генетических алгоритмов
• имитационных статистических моделей

Междисциплинарное направление «гибридные интеллектуальные системы» объединяет ученых и специалистов, исследующих применимость не одного, а нескольких методов, как правило, из различных классов, к решению задач управления и проектирования.

Глава III. Интеллектуальные информационные системы (ИИС) поддержки принятия решений

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.

ИИС - это компьютерная система, состоящая из 5 основных взаимодействующих компонентов: языковой подсистемы (механизм обеспечения связи между пользователем и другими компонентами ИСПР), информацией подсистемы (хранилище данных и средств их обработки), подсистемы управления знаниями (хранилище знаний о проблемной области, таких как процедуры, эвристики и правила, и средства обработки знаний), подсистемы управления моделями и подсистемы обработки и решения задач (связующее звено между другими подсистемами).

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.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке.

Управление. Под управлением понимается функция организованной системы, поддерживающая определенный режим деятельности. Такого рода ЭС осуществляют управление поведением сложных систем в соответствии с заданными спецификациями.

Поддержка принятия решений. Поддержка принятия решения — это совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающие процесс принятия решения. Эти ЭС помогают специалистам выбрать и/или сформировать нужную альтернативу среди множества выборов при принятии ответственных решений.

В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на системы, решающие задачи синтеза. Основное отличие задач анализа от задач синтеза заключается в том, что если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально не ограничено и строится из решений компонент или подпроблем. Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, планирование, управление. Комбинированные: обучение, мониторинг, прогнозирование.

Глава IV. Разработка и проектирование ИИС

§1. Этапы проектирования ИИС

Существуют различные взгляды на определение числа этапов проектирования интеллектуальных систем. Это зависит от многих факторов, в част-ности от характера функций будущей интеллектуальной системы, области использова-ния, наличия развитых инструментальных средств и т. д.

Процесс построения систем ИИ можно раз-делить на пять этапов (см.Рис.4.1.1.).

Рис.4.1.1. Этапы проектирования ИИ

1. Идентификация определения задач и идентификация их характеристик. Разра-батывается техническое задание на проектируемую систему, ограничивается круг пользователей системы.
2. Выделение главных концепций предметной области, которые отражают знания круга экспертов. Инженер знаний определяет формальные средства представления знаний и процедуры получения решений. Выявля-ются и формулируются понятия, определяющие выбор характерной схемы представления знаний эксперта о предметной области. Основным источником знаний о проблемной области является человек-эксперт, книги, технологические описания, инструк-ции, документы, методы «мозгового штурма», методы автоматизированного запол-нения БЗ. Другим важным источником знаний является Интернет (традиционный поиск необходимой информации и знаний, а также интеллектуальные агенты (программные роботы)).
3. Выбор формализма представления знаний и определение механизма вывода решений. Разработанная структура для представления знаний является основой для реализации следующего этапа — непосредственного построения базы знаний системы.
4. Выбор или разработка языка представления знаний. После того как правила сформулированы и представлены на выбранном языке представления, они заносятся инженером знаний в БЗ.
5. Тестирование системы путем решения кон-кретных проверочных задач.

Этапы создания интеллектуальных систем не являются четко очерченными и под-робно регламентированными. Между некоторыми из них трудно провести временную и содержательную границу. Они в какой-то степени приблизительно описывают процесс проектирования интеллектуальных систем.

§2. Стадии существования ИИС

Стадии существования интеллектуальных систем (или жизненные циклы системы) соответствуют уровню готовности системы, завершенности ее функциональных возможностей, реализуемых инструментарием. Определяют следующие стадии существования интеллектуальных систем: демонстрационный прототип; исследовательский прототип; действующий прототип; промышленная система; коммерческая система.

Демонстрационный прототип — это состояние разработанности системы, когда она решает некоторую часть проблемных задач. При разработке демонстрационного прототипа стремятся достичь противоречивых целей: с одной стороны, система на стадии демон-страционного прототипа должна выполнять задачи, которые бы до-вольно полно характеризовали ее возможности, с другой стороны, эту стадию стремятся пройти как можно быстрее. Работа демон-страционного прототипа может быть признана удовлетворительной, если он оперирует минимальным набором правил, достаточным для решения некоторых задач. Время разработки колеблется от двух месяцев до года.

Исследовательский прототип проектируется в течение 1,5 ...2 лет. На этой стадии развития системы ее БЗ уже содержит не-сколько сотен правил, которые достаточно адекватно описывают предметную область.

Действующий прототип интеллектуальных систем осуществляет качественный вывод решений на расширившемся пространстве правил, достигшем порядка 1000. Поэтому для вывода сложных решений требую большие ресурсы времени и памяти.

Промышленные системы обеспечивают высокий уровень качества решения проблем предметной области при значительных уменьшениях времени решения и требуемой памяти. Количество правил возрастает не столь значительно по сравнению с действу-ющим прототипом. На этой стадии происходит преобразование дей-ствующего прототипа за счет расширения числа правил и совер-шенствования интеллектуальных систем на базе использования более эффективных, инструментальных средств. Это требует примерно 3 ... 4 года.

Коммерческая система предназначена в основном для продажи. Она является либо проблемно-ориентированной, либо проблемно-независимой.

§3. Инструментальные средства проектирования ИИС

Несмотря на наличие множества подходов как к пониманию задач ИИ, так и созданию интеллектуальных информационных систем, можно выделить два основных подхода к разработке ИИ:

• нисходящий (Top-Down AI), семиотический — создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.;
• восходящий (Bottom-Up AI), биологический — изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе биологических элементов, а также создание соответствующих вычислительных систем, таких как нейрокомпьютер или биокомпьютер.

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 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.

На проектирование и создание одной экспертной системы ранее требовалось 20-30 человек-лет. В настоящее время имеется ряд средств, ускоряющих создание. Эти средства называют инструментальными или инструментарием. Использование инструментальных средств разработки экспертных систем сокращает время, затрачиваемое на их создание, в 3-5 раз.

Инструментальное средство разработки экспертных систем - это язык программирования, используемый инженером знаний и/или программистом для построения экспертной системы. Этот инструмент отличается от обычных языков программирования тем, что обеспечивает удобные способы представления сложных высокоуровневых понятий.

По своему назначению и функциональным возможностям инструментальные программы, применяемые при проектировании экспертных систем, можно разделить на четыре большие категории:

1 . Оболочки экспертных систем

Системы этого типа создаются, как правило, на основе какой-нибудь экспертной системы, достаточно хорошо зарекомендовавшей себя на практике. При создании оболочки из системы-прототипа удаляются компоненты, слишком специфичные для области ее непосредственного применения, и оставляются те, которые не имеют узкой специализации. Примером может служить система EMYCIN, созданная на основе прошедшей длительную «обкатку» системы MYCIN. В EMYCIN сохранен интерпретатор и все базовые структуры данных - таблицы знаний и связанные с ними механизм индексации. Оболочка дополнена специальным языком, улучшающим читабельность программ, и средствами поддержки библиотеки типовых случаев и заключений, выполненных по ним экспертной системой.

2 . Языки программирования высокого уровня

Инструментальные средства этой категории избавляют разработчика от необходимости углубляться в детали реализации системы - способы эффективного распределения памяти, низкоуровневые процедуры доступа и манипулирования данными. Одним из наиболее известных представителей таких языков является OPS5. Этот язык прост в изучении и предоставляет программисту гораздо более широкие возможности, чем типичные специализированные оболочки. Следует отметить, что большинство подобных языков так и не было доведено до уровня коммерческого продукта и представляет собой скорее инструмент для исследователей. Осуществляется программирование на обычных языках (Паскаль, Си и др.), программирование на специализированных языках, применяемых в задачах искусственного интеллекта (LISP, FRL, SmallTalk и др.) и др.

3 . Среда программирования, поддерживающая несколько парадигм

Средства этой категории включают несколько программных модулей, что позволяет пользователю комбинировать в процессе разработки экспертной системы разные стили программирования. Среди первых проектов такого рода была исследовательская программа LOOP, которая допускала использование двух типов представления знаний: базирующегося на системе правил и объектно-ориентированного. На основе этой архитектуры во второй половине 1980-х годов было разработано несколько коммерческих программных продуктов, из которых наибольшую известность получили KEE, KnowledgeCraft и ART. Эти программы предоставляют в распоряжение квалифицированного пользователя множество опций и для последующих разработок, таких как КАРРА и CLIPS, и стали своего рода стандартом. Однако освоить эти языки программистам далеко не так просто, как языки, отнесенные к предыдущей категории.

4 . Дополнительные модули

Глава V. Архитектура ИИС

§1. Структура интеллектуальной системы

В зависимости от характера выполняемых функций и области действий эксперты выполняют несколько характерных задач, ко-торые являются типичными: интерпретация, плани-рование, управление, проектирование, прогнозирование, диспетчирование и мониторинг, диагностика. Главное, эксперт спосо-бен обновлять свои знания (т. е. обучаться), объяснять действия, обосновывать решения, прогнозировать развитие ситуаций, актив-но взаимодействовать с внешней средой и воспринимать информа-цию различного характера, получать решения на основе имею-щихся знаний, хранить в памяти необходимую информацию и фактографические данные. Анализ задач послужит ориентиром при рассмотрении архитектуры ИС, осно-ванных на знаниях.

Таким образом, чтобы создать систему, работающую со зна-ниями и способную в какой-то мере заменить эксперта или по-мочь ему в принятии решений при управлении производством, не-обходимо стремиться заложить в архитектуру нашей системы возможности по реализации названных функций.

На Рис.5.1.1.. представлена обобщенная структура и компоненты интеллектуальной системы, а также ее окружение.

Рис.5.1.1. Структура интеллектуальных систем.

§2. Структура БЗ и взаимодействие с другими компонентами интеллектуальной системы

Структурно БЗ можно организовать в ви-де двух основных подбаз - базы правил (БП) и базы данных (БД).

В БД хранится фактографическая информация о решаемых на объекте задачах и данные, которые относятся к указанной предметной области. БП определяет отношения между элементами данных, хранящихся в БД, на основе моделей пред-ставления знаний о предметной области, а также способы активи-зации этих знаний.

Таким образом, очень обобщенно можно говорить о двух уров-нях представления знаний: первый уровень — фактографическая информация, данные; второй уровень — описания, отношения, правила и процедуры, определяющие способ манипулирования фактографической информации.

Помимо знаний о предметной области в БЗ должны храниться и другие типы знаний: модель мира системы, знания о пользова-теле, целях и т. д. Эти знания в основном содержатся на втором уровне представления в виде блоков или органических частей БП.

Во многих интеллектуальных системах, особенно работающих в реальном времени, реализуется уровень метазнаний, кото-рый необходим для обеспечения рационализации процессов оперирования знаниями в БЗ, уменьшения области поиска решения, сокращения время обработки ин-формации. Метазнания - это зна-ния системы о себе, т. е. знания о своих знаниях, их структуре и о принципах своего функционирования. На основе этих знаний на уровне метазнаний (в бло-ке метазнаний) среди имею-щегося набора стратегий поиска определяется наибо-лее эффективная.

Рис.5.2.1. Обобщенная структура БЗ

При варианте структуры БЗ, представленном на Рис.5.2.1., функ-ции интерпретатора правил, рациональным образом реализующе-го механизм вывода решений, по существу выполняет верхний уровень БЗ - метазнания (или блок метазнаний).

Необходимо подчеркнуть, что существуют различные вариан-ты как организации самой БЗ, так и взаимодействия БЗ с дру-гими компонентами ИС.

На Рис.5.2.2. приведен фрагмент системы ИИ, отражающий вза-имодействие БЗ с основными модулями системы при поиске и ге-нерации знаний. В БЗ представлена как фактографическая информация, так и правила, или эвристики.

Рис.5.2.2. Структура взаимодействия БЗ с основными компонентами ИИС для продукционных систем

Вывод решения либо ге-нерация новых правил и знаний осуществляется с помощью блока вывода, который взаимодействует с метауровнем БЗ при интерпретации правил и данных БЗ.

Решение задачи и работа с правилами и данными осуществля-ются в специальном блоке - рабочей области. В рабочей области представляются описания запроса - или решаемой задачи, данные и правила из БЗ, процедуры или стратегия механизма вывода.

При использовании наиболее распространенных в настоящее время продукционных систем представления знаний возможен ва-риант структурной и функциональной организации основных ком-понентов системы, представленный на Рис.5.2.3.

Рис.5.2.3. Структура взаимодействия БЗ с основными компонентами ИС для продукционных систем.

§3. Модели представления знаний в ИИС

Важным вопросом при создании БЗ является выбор способа представления знаний. Цель представления знаний — организация необходимой информации в такую форму, чтобы программа искусственного интеллекта име-ла легкий доступ к ней для принятия решений, планирования, узнавания объектов и ситуаций, анализа сцен, вывода заключений и других когнитивных функций.

Представление знаний в интеллектуальных системах осуществляется на основе:

1. Фреймов и семантических сетей
2. Продукционных и логических моделей
3. Моделей представления и формализации нечетких знаний
4. Нейронных сетей.

Технологию построения ЭС (см. Рис.6.1.2.) часто называют инженерией знаний.

Рис.6.1.2. Процесс построения ЭС.

Характерными чертами ЭС являются:

• четкая ограниченность предметной области;
• способность принимать решения в условиях неопределенности;
• способность объяснять ход и результат решения понятным для пользователя способом;
• четкое разделение декларативных и процедурных знаний (фактов и механизмов вывода);
• способность пополнять базу знаний, возможность наращивания системы;
• результат выдается в виде конкретных рекомендаций для действий в сложившейся ситуации, не уступающих решениям лучших специалистов;
• ориентация на решение неформализованных (способ формализации пока неизвестен) задач;
• алгоритм решения не описывается заранее, а строится самой экспертной системой;
• отсутствие гарантии нахождения оптимального решения с возможностью учиться на ошибках.

Классификации ЭС

• Собственно Экспертные системы
• Интерактивные баннеры (web + ЭС)
  Интерактивные говорящие баннеры — это инфы или экспертные системы, предназначенные для размещения на внешних ресурсах.

Преимущества интерактивных баннеров:

• Повышенная привлекательность для потребителей — с необычным баннером хочется пообщаться.
• Продолжительный контакт с пользователем. Среднее время общения с баннером может составлять около 3 минут.
• Баннер может вести разных собеседников на разные страницы, в соответствии с их запросами и потребностями.

Классификация ЭС по связи с реальным временем:

• Статические ЭС - это ЭС, решающие задачи в условиях не изменяющихся во времени исходных данных и знаний.
• Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.
• Динамические ЭС - это ЭС, решающие задачи в условиях изменяющихся во времени исходных данных и знаний.

Структура ЭС:

На Рис.6.1.3. ниже представлена каноническая структура экспертной системы динамического типа:

Рис.6.1.3. Структура ЭС

• механизм логического вывода, называемый также интерпретатором, решателем;
• рабочую память (РП), называемую также рабочей базой данных (БД);
• базу знаний (БЗ);
• подсистему приобретения и пополнения знаний;
• подсистему объяснения;
• подсистему диалога;
• подсистему взаимодействия с внешним миром.

Механизм логического вывода (МЛВ) предназначен для получения новых фактов на основе сопоставления исходных данных из рабочей памяти и знаний из базы знаний. Механизм логического вывода реализует алгоритмы прямого и/или обратного вывода и формально может быть представлен четверкой:

Механизм вывода является мозгом ЭС, его также называют управляющая структура или интерпретатор правил (в ЭС, основанных на правилах).

Эта компонента является в основном компьютерной программой, которая обеспечивает методологию для рассуждения об информации в БЗ и в рабочей области, а также для формулирования заключений. Она обеспечивает указания о том, как использовать знания системы при реализации аренды (расписания запланированных действий в рабочей области), которая организует и управляет шагами, предпринимаемыми для решения задачи.

Механизм вывода имеет два главных элемента:

• Интерпретатор, который выполняет выбранные позиции аренды, используя соответствующие правила БЗ.
• Планировщик, который поддерживает управление агендой. Он оценивает результаты используемых правил вывода в свете их приоритетов или других критериев в агенде.

Рабочая память предназначена для хранения исходных и промежуточных фактов решаемой в текущий момент задачи. Как правило, размещается в оперативной памяти ЭВМ и отражает текущее состояние предметной области в виде фактов с коэффициентами уверенности (КУ) в истинности этих фактов.

Ценность всей экспертной системы как законченного продукта на 90% определяется качеством созданной базы знаний. Как правило, БЗ ЭС содержит факты (статические сведения о предметной области) и правила — набор инструкций, применяя которые к известным фактам можно получать новые факты. В рамках логической модели баз данных и базы знаний записываются на языке Пролог— язык и система логического программирования) с помощью языка предикатов для описания фактов и правил логического вывода, выражающих правила определения понятий, для описания обобщенных и конкретных сведений, а также конкретных и обобщенных запросов к базам данных и базам знаний.

Подсистема приобретения и пополнения знаний автоматизирует процесс наполнения экспертной системы знаниями, осуществляемый пользователем-экспертом, и адаптации базы знаний системы к условиям ее функционирования. Адаптация экспертной системы к изменениям в предметной области реализуется путем замены правил или фактов в базе знаний.

Подсистема объяснения объясняет, как система получила решение задачи (или почему она не получила решения) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату. Возможность объяснять свои действия является одним из самых важных свойств экспертной системы, так как:

• повышается доверие пользователей к полученным результатам;
• облегчается отладка системы;
• создаются условия для пользователей по вскрытию новых закономерностей предметной области;
• объяснение полученных выводов может служить средством поиска точки в парето-оптимальном множестве решений.

В настоящее время на практике все СО реа-лизуются на одних и тех же принципах в основном двумя спосо-бами:

• фиксацией событий и состояний с помощью заготовленных текстов на естественном языке;
• трассировкой рассуждений, обратным развертыванием дерева целей с указанием подцелей.

При реализации каждого из этих способов предварительно выделяются ситуации, факты и узлы перехода в новые состояния, требующие объяснений. Им ставится в соответствие некоторый текст объяснения.

Структура экспертной системы была бы неполной без подсистемы диалога. Подсистема диалога ориентирована на организацию дружественного интерфейса со всеми категориями пользователей как в ходе решения задач, так и в ходе приобретения знаний и объяснения результатов работы.

Факты и правила в экспертной системе не всегда либо истинны, либо ложные. Иногда существует некоторая степень неуверенности в достоверности факта или точности правила. Если это сомнение выражено явно, то оно называется «коэффициентом доверия».

Коэффициент доверия - это число, которое означает вероятность или степень уверенности, с которой можно считать данный факт или правило достоверным или справедливым. Данный коэффициент является оценкой степени доверия к решению, выдаваемому экспертной системой. Такая оценка, например, может проводиться по схеме Шортлиффа.

Режимы функционирования ЭС:

• Режим ввода знаний — в этом режиме эксперт с помощью инженера по знаниям посредством редактора базы знаний вводит известные ему сведения о предметной области в базу знаний ЭС.
• Режим консультации — пользователь ведет диалог с ЭС, сообщая ей сведения о текущей задаче и получая рекомендации ЭС. Например, на основе сведений о физическом состоянии больного ЭС ставит диагноз в виде перечня заболеваний, наиболее вероятных при данных симптомах.

Табл.6.1.1. Основные классы решения задач, решаемые ЭС

Класс	На решение какой задачи направлена
Интерпретация	Выявление описаний ситуации из наблюдений
Предсказание	Выявление похожих последствий в данной ситуации.
Диагностика	Выявление неисправности системы через наблюдения.
Проектирование	Конфигурирование и разработка объектов, удовлетворяющих определенным требованиям.
Планирование	Разработка планов для достижения целей.
Мониторинг	Сравнение наблюдений с планами, сигнализируя об отклонениях и исключениях.
	Выявление и устранение неисправностей.
Управление	Интерпретирование, предсказывание восстановление и мониторинг поведения системы.

Некоторые ЭС принадлежат к двум или более из этих категорий. Дадим краткое описание каждой их этих категорий.

Системы интерпретации выявляют описания ситуации из наблюдений. Это категория включает наблюдения, понимание речи, анализ образов, интерпретацию сигналов и многие другие виды интеллектуального анализа. Система интерпретации объясняют наблюдаемые данные путем присвоения им символических значений, описывающих ситуацию.
Системы предсказания включают прогнозирование погоды, демографические предсказания, экономическое прогнозирование, оценки урожайности, а также военное, маркетинговое и финансовое прогнозирование.

Системы диагностики включают диагностику в медицине, электронике, механике и программном обеспечении. Диагностирующие системы обычно соотносят наблюдаемые поведенческие отклонения с причинами, лежащими в основе.

Системы проектирования разрабатывают конфигурации объектов, которые удовлетворяют определенным требованиям задачи проектирования. Такие задачи включают конструирование зданий, планировка расположения оборудования и др. Эти системы конструируют различные взаимосвязи описаний объектов друг с другом и проверяют, удовлетворяют ли эти конфигурации установленным ограничениям и требованиям.

Системы планирования специализируются на задачах планирования, например, такой как автоматическое программирование. Они также работают с кратко и долгосрочным планированием в управлении проектами, маршрутизация, коммуникация, разработка продукт а, военные приложения, производственное и финансовое планирование.

Системы мониторинга сравнивают наблюдения поведения системы со стандартами, которые представляются определяющими для достижения цели. Эти решающие выявления соответствуют потенциальным недостаткам на предприятии. Существует много компьютерных систем мониторинга: от контроля движения воздушных потоков до задач управления сбором налогов.

Системы управления и контроля адаптивно управляют всеобщим поведением системы. Для осуществления этого система управления должна периодически интерпретировать текущую ситуацию, предсказывать будущее, диагностировать причины ожидаемых проблем, формулировать план устранения этих проблем и осуществлять мониторинг его выполнения для обеспечения успеха.

Наиболее известные/распространённые ЭС:

• CLIPS — популярная ЭС (public domain)
• OpenCyc — мощная динамическая ЭС с глобальной онтологической моделью и поддержкой независимых контекстов
• MYCIN — наиболее известная диагностическая система, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях.
• HASP/SIAP — интерпретирующая система, которая определяет местоположение и типы судов в Тихом океане по данным акустических систем слежения.

Первую ЭС под названием Dendral разработали в Стэнфорде в конце 1960-х гг. Она определяла строение органических молекул по химическим формулам и спектрографическим данным о химических связях в молекулах. Ценность Dendral заключалась в следующем: органические молекулы, как правило, очень велики и поэтому число возможных структур этих молекул также велико; благодаря эвристическим знаниям экспертов-химиков, заложенных в ЭС, правильное решение из миллиона возможных находилось всего за несколько попыток.

Принципы и идеи, заложенные в Dendral оказались настолько эффективными, что они до сих пор применяются в химических и фармацевтических лабораториях по всему миру. ЭС Dendral одной из первых использовала эвристические знания специалистов для достижения уровня эксперта в решении задач, однако методика современных экспертных систем связана с другой разработкой - Myсin. В ней использовались знания экспертов медицины для диагностики и лечения специального менингита и бактериальных инфекций крови. ЭС Mycin, также разработанная в Стэнфорде в середине 1970-х гг., одной из первых обратилась к проблеме принятия решений на основе ненадежной или недостаточной информации.

Все рассуждения экспертной системы Mycin были основаны на принципах управляющей логики, соответствующих специфике предметной области. Многие методики разработки экспертных систем, использующиеся сегодня, были впервые разработаны в рамках проекта Mycin. MYCIN была ранней экспертной системой разработанной за 5 или 6 лет в начале 1970х годов в Стендфордском университете.

Она была написана на Лиспе как докторская диссертация Edward Shortliffe под руководством Bruce Buchanan, Stanley N. Cohen и других. В этой же лаборатории была ранее создана экспертная система Dendral, но на этот раз внимание было акцентировано на использовании решающих правил с элементами неопределенности. MYCIN был спроектирован для диагностирования бактерий, вызывающих тяжелые инфекции, такие как бактериемия и менингит, а также для рекомендации необходимого количества антибиотиков в зависимости от массы тела пациента. Название системы происходит от суффикса «-мицин», часто встречающегося в названиях антибиотиков. Также Mycin использовалась для диагностики заболеваний свертываемости крови.

Преимущества ЭС:

1 . Постоянство

Человеческая компетенция ослабевает со временем. Перерыв в деятельности человека-эксперта может серьёзно отразиться на его профессиональных качествах.

2 . Лёгкость передачи

Передача знаний от одного человека другому - долгий и дорогой процесс. Передача искусственной информации - это простой процесс копирования программы или файла данных.

3 . Устойчивость и воспроизводимость результатов

Экспертные системы устойчивы к «помехам». Человек же легко поддается влиянию внешних факторов, которые непосредственно не связаны с решаемой задачей. Эксперт-человек может принимать в тождественных ситуациях разные решения из-за эмоциональных факторов. Результаты экспертной системы - стабильны.

4 . Стоимость

Эксперты, особенно высококвалифицированные обходятся очень дорого. Экспертные системы, наоборот, сравнительно недороги. Их разработка дорога, но они дёшевы в эксплуатации.

Кроме того, эксперт-человек может принимать различные решения в тождественных ситуациях из-за эмоциональных факторов (влияние дефицита времени, влияние стресса).

Табл.6.1.2. Сравнение человеческой и искусственной компетентности

Недостатки ЭС:

На сегодняшний день создано уже большое количество экспертных систем. С помощью них решается широкий круг задач, но исключительно в узкоспециализированных предметных областях. Как правило, эти области хорошо изучены и располагают более менее четкими стратегиями принятия решений. Сейчас развитие экспертных систем несколько приостановилось, и этому есть ряд причин:

• Передача экспертным системам «глубоких» знаний о предметной области является большой проблемой. Как правило, это является следствием сложности формализации эвристических знаний экспертов.
• Экспертные системы неспособны предоставить осмысленные объяснения своих рассуждений, как это делает человек. Как правило, экспертные системы всего лишь описывают последовательность шагов, предпринятых в процессе поиска решения.
• Отладка и тестирование любой компьютерной программы является достаточно трудоемким делом, но проверять экспертные системы особенно тяжело. Это является серьезной проблемой, поскольку экспертные системы применяются в таких критичных областях, как управление воздушным и железнодорожным движением, системами оружия и в ядерной промышленности.
• Экспертные системы обладают еще одним большим недостатком: они неспособны к самообучению. Для того, чтобы поддерживать экспертные системы в актуальном состоянии необходимо постоянное вмешательство в базу знаний инженеров по знаниям. Экспертные системы, лишенные поддержки со стороны разработчиков, быстро теряют свою востребованность.
• Эксперты могут непосредственно воспринимать комплекс входной сенсорной информации (визуальной, звуковой, осязательной, обонятельной и тактильной). ЭС - только символы. Хотя в отдельных направлениях разработки инженерных и производственных интеллектуальных систем получены реальные результаты определенной обработки сенсорной информации.
• Эксперты - люди могут охватить картину в целом, все аспекты проблемы и понять, как они соотносятся с основной задачей. ЭС стремится сосредоточить на самой задаче, хотя смежные задачи могут повлиять на решение основной.
• Люди, эксперты и не эксперты, имеют то, что мы называем здравым смыслом, или общедоступными знаниями. Это широкий спектр общих знаний о мире, о том, какие законы в нем действуют, т.е. знания, которыми каждый из нас обладает, приобретает из опыта и которыми постоянно пользуется. Из-за огромного объема знаний, образующих здравый смысл, не существует легкого способа встроить их в интеллектуальную программу. Знания здравого смысла включают знания о том, что вы знаете и чего не знаете.

Поэтому ЭС наиболее часто используются как советчики, в качестве консультантов или помощников ЛПР.

§2. Вопросно-ответные системы

Классификация Вопросно-ответных систем:

• Интеллектуальные поисковики (например, система Старт)
• Виртуальные цифровые помощники
• Виртуальные собеседники (ВС)

Виртуальные собеседники устанавливаются на сайт и общаются с его пользователями посредством текстового чата. У каждого инфа есть свой визуальный образ, который способен передавать эмоции инфа и делает общение с собеседником более личным и доверительным.

Структура виртуальных собеседников:

• Первый компонент ВС - это пользовательский интерфейс, при помощи которого пользователь разговаривает с ВС. Пользовательский интерфейс представляет собой окошко со строкой ввода текста, репликами инфа и его визуальным образом. По сути, это Flash-приложение, которое легко и быстро устанавливается на любой сайт.
• Второй компонент - это комплексная платформа, которая определяет поведение и словарный запас ВС. Помимо прочего, в комплексную платформу входит база знаний инфа - набор гибких сценариев с заданными вариантами вопросов и ответов на них. Дополнительно к базе знаний может быть подключена клиентская база данных с пользовательской информацией, откуда инф будет брать конкретные данные о товарах и услугах. В частности, это широко применяется при разработке инфов-продавцов.

Решаемые задачи:

ВС легко поддаются обучению и помогают решить множество задач, стоящих перед заказчиком. Они могут быть:

• консультантами, отвечающими на вопросы пользователей о представленных товарах и услугах;
• продавцами, помогающими подобрать нужный товар, услугу, тариф и т.п.;
• сотрудниками технической поддержки, помогающими пользователю решить возникшие технические проблемы;
• промоутерами, продвигающими новые товары и услуги;
• интересными собеседниками, вызывающими интерес, повышающими настроение и лояльность посетителей.

Сферы применения:

• Банки и страховые компании, которым важно иметь на сайте грамотного консультанта, способного оперативно рассказать все подробности о предоставляемых услугах;
• Интернет-магазины, которым важно помогать клиентам в выборе товаров, а также продвигать акции и распродажи;
• Интернет-порталы, которым необходимо привлекать внимание пользователей к их внутренним проектам;
• Организаторы мероприятий, которым важно информировать посетителей сайта о всех новостях и подробностях;
• Компании, оказывающие технические услуги, которым важно обеспечить круглосуточную техническую поддержку пользователей.

Преимущества виртуальных собеседников:

• Работоспособность: инф работает 24 часа в сутки 7 дней в неделю и может одновременно общаться с неограниченным количеством пользователей. Инф позволяет снизить нагрузку и расходы на call-центр, консультантов и специалистов технической поддержки.
• Доступность: инф снимает психологический барьер, стоящий перед пользователем при обращении за помощью; достаточно ввести фразу - и инф моментально даст грамотный совет. При этом пользователи относятся к инфу с доверием, поскольку он умеет поддерживать живой, непринужденный диалог и даже выражать эмоции в ответ на реплики пользователя.
• Простота работы: инф не требует от пользователя использования никаких дополнительных программ. В то же время инф не создает проблем и у заказчика: для установки инфа на сайт достаточно разместить на страницах специальный короткий код.
• Компетентность: инф легко поддается обучению, что позволяет заложить в него все важные вопросы, которые интересуют пользователей. Инф способен помогать пользователю в навигации по сайту, автоматически открывая необходимые страницы. При необходимости инф может сам инициировать диалоги на нужные темы.
• Внимательность: Инф записывает все разговоры с пользователями, и заказчик имеет к ним полный доступ. Записи разговоров полезны как с точки зрения дальнейшего обучения инфа, так и с точки зрения сбора ценной информации о пользователях и их интересах.

Использование ВС позволяет:

• Увеличить конверсию посетителей в клиентов: инф снимает мотивационный барьер между пользователем и сайтом, поскольку сразу вызывает доверие у пользователя и дает ему именно ту информацию, которая его интересует.
• Повысить лояльность посетителей: яркий, позитивный инф поддерживает живое общение с пользователем и вызывает у него самые положительные эмоции. Что важно, в сознании пользователя эти эмоции будут напрямую связаны с образом компании - заказчика инфа.
• Улучшить эффект от рекламной кампании и маркетинговых акций: инф привлекает к себе внимание пользователей и предоставляет им самую полную информацию о рекламируемом предмете.
• Снизить нагрузку на штатных консультантов, продавцов и сотрудников техподдержки: отвечая на часто возникающие и легко решаемые вопросы, инф экономит время и силы штатных специалистов, позволяя им сконцентрироваться на действительно важных проблемах.
• Повысить уровень обслуживания клиентов: инф позволяет выяснить, что интересует конкретного клиента, и предоставить ему то, что нужно!

Глава VII. Перспективы развития ИИС в управлении знаниями

Рассматривая тенденции развития Интеллектуальных информационных систем в управлении знаниями, следует отметить следующие основные направления, связанные с разработкой моделей и методов реализации отдельных аспектов получения и преобразования знаний:

1. Технологии извлечения и представления знаний. В первом случае основной задачей является разработка методов: формального описания "признаков знаний" (поисковых образов); формализации ПрО; распознавания и сравнения образов; извлечения знаний из экспертов, статистики, текстов, "опыта" и т.п. Во втором - решаются задачи, связанные с формализацией знаний для их представления в памяти интеллектуальных систем (ИС). Решение этих задач позволяет разработчикам комплексных технологий получить ответы на три принципиально важных вопроса: какие знания необходимо представлять в ИС, кто (что) является источником этих знаний, какие методы и модели обеспечивают адекватное представление этих знаний в ИС.
2. Технологии манипулирования знаниями, решение интеллектуальных задач предполагает не только представление знаний в ИС, но и их обработку, т.е. необходимо научить ИС оперировать ими. Поэтому здесь изучаются вопросы пополнения знаний на основе их неполных описаний, классификации знаний в ИС, разрабатываются процедуры и методы обобщения знаний, достоверного вывода и др.
3. Технология общения. Переход к ИС знаменует новую технологию общения конечных пользователей с ЭВМ и требует решения таких проблем, как понимание связных текстов на ограниченном и неограниченном естественном языке, понимание речи и ее синтез, разработка коммуникативных моделей "пользователь-ЭВМ", формирование объяснений и т.п. Главная цель данных исследований - обеспечение комфортных условий для общения человека и ИС.
4. Технологии восприятия. Разработка этих технологий предполагает создание методов: анализа трехмерных сцен, представления информации о зрительных образах в базе знаний ИС, трансформации зрительных сцен в текстовые описания и обратно, а также разработку процедур когнитивной графики и др.
5. Технологии обучения. Отличительной особенностью ИС должна стать их способность решать задачи, в явном виде не представленные в БЗ, что требует наделения ИС способностью к обучению. Для этих целей необходимо: создать методы формирования условий задачи по описанию проблемной ситуации или по наблюдению за этой ситуацией, обеспечить переход от известного решения частных задач к решению общей задачи, наделить ИС способностью декомпозировать исходную задачу на более мелкие, решение которых известно, разработать нормативные и декларативные модели самого процесса обучения, создать теорию подражательного поведения и др.
6. Технологии поведения. Взаимодействие ИС со средой требует разработки специальных поведенческих процедур, которые бы позволили им адекватно реагировать на те или иные изменения в среде. Такое взаимодействие предполагает создание моделей целесообразного, нормативного и ситуативного поведения, а также разработку методов многоуровневого планирования и коррекции планов в динамических ситуациях.

Заключение

Области применения существующих на сегодняшний день систем ИИ охватывает множество сфер: медицинскую диагностику, интерпретацию геологических данных, научные исследования в химии и биологии, военное дело, производство, финансы и другие области. Однако, несмотря на значительные успехи в области ИИ, пока еще существует определенный разрыв между техническими разработками, программными средствами ИИ и возможностями их более широко практического применения в частности, в экономике.

Наиболее показательным сектором, аккумулирующим различные проблемные направления экономической области, является управление промышленным предприятием. На его примере особенно хорошо видны преимущества использования систем ИИ для решения как различных предметных задач, так и для управления интегрированной системой предприятия в целом.

Существует множество доводов в пользу того, что системы искусственного интеллекта могут и должны стать важнейшей составной частью в технологии современных производств. Основными из них являются:

• преодоление сложности (сложности управления возникают тогда, когда приходится делать выбор из множества возможных решений);
• управление предприятием требует организации больших объемов информа-ции;
• как уменьшить информацию до того уровня, который необходим для принятия решения (потеря информации, поступающей от объектов, работающих в реальном режиме времени, может существенно сказаться на результате);
• нехватка времени на принятие решения (проявляется по мере усложнения производства);
• проблема координации (решения необходимо координировать с другими звеньями процесса или объекта);
• необходимость сохранения и распространения знаний очень опытных экспертов, полученных ими в процессе многолетней работы и большого практического опыта.

Проблема извлечения знаний и их сохранения и распределе-ния — сегодня одна из главных проблем ор-ганизаций.

Таким образом, интеллектуализация информационных систем управления и трансформация их в интеллектуальные информационные системы управления знаниями, поддержки принятия решений является наиболее значимым и важным для экономики и бизнеса направлением.

Список источников информации

1. Chi Leung Patrick Hui, ISBN 978-953-307-188-6, 586 pages, April 2011
2. Edited by Karl Perusich, Cognitive Maps, ISBN 978-953-307-044-5, 140 pages, January 2010
3. John Prager, Eric Brown, Anni Coden, and Dragomir Radev. Question-answering by predictive annotation. In Proceedings, 23rd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, Athens, Greece, July 2000
4. Knox Haggie, John Kingston, Choosing Your Knowledge Management Strategy, School of Informatics, University of Edinburgh, Journal of Knowledge Management Practice, June 2003
5. Negnevitsky M. Artificial Intelligence. A guide to intelligent systems. Addison-Wesley, 2005.
6. Peter Jackson, Introduction to Expert Systems. — 3rd edition, Hardbound — Addison Wesley Publishing Company, 1998-12-31 — 560p. — ISBN 0201876868
7. Абдикеев Н.М. Проектирование интеллектуальных систем в экономике: Учебник. - М.: Экзамен, 2004. - 528 с.
8. Абдикеев Н.М. Интеллектуальные информационные системы: Учебное пособие.- М.: КОС-ИНФ, Рос. экон. акад., 2003. - 188 с.
9. Абдикеев Н.М., Киселев А.Д. Управление знаниями корпорации и реинжиниринг бизнеса (Под ред. Абдикеева Н.М.). Инфра-М, Москва, 2010
10. А.В. Гаврилов. Гибридные интеллектуальные системы: Монография - Новосибирск: Изд-во НГТУ, 2002. - 142 с.
11. В.В. Бухтояров "Эволюционный метод формирования общего решения в коллективах нейронных сетей", Журнал «Искусственный интеллект и принятие решений» под гл. редакцией академика С.В. Емельянова, номер 2010 / 03
12. Г.В. Рыбина, А.О. Дейнеко "Распределенное приобретение знаний для автоматизированного построения интегрированных экспертных систем", Журнал «Искусственный интеллект и принятие решений» под гл. редакцией академика С.В. Емельянова, номер 2010 / 04
13. Г.В. Рыбина "Обучающие интегрированные экспертные системы: некоторые итоги и перспективы", Журнал «Искусственный интеллект
14. Г.С. Осипов "Динамические интеллектуальные системы", Журнал «Искусственный интеллект и принятие решений» под гл. редакцией академика С.В. Емельянова, номер 2008 / 01
15. Золотов С.И. Интеллектуальные информационные системы: учебное пособие / С.И. Золотов - Воронеж: Научная книга, 2007. -140с.
16. Интеллектуальные информационные системы: учебник для студентов высших учебных заведений, обучающихся по специальности "Прикладная информатика в экономике" / А. В. Андрейчиков, О. Н. Андрейчикова. - М. : Финансы и статистика, 2004. - 423 с.
17. Интеллектуальные методы для создания информационных систем: учебное пособие / Е.Ю. Головина.- М.: Издательский дом МЭИ, 2011. - 102 с. - ISBN 978-5-383-00212-4
18. П.Р. Варшавский, А.П. Еремеев "Моделирование рассуждений на основе прецедентов в интеллектуальных системах поддержки принятия решений", Журнал «Искусственный интеллект и принятие решений» под гл. редакцией академика С.В. Емельянова, номер 2009 / 02
19. Романов В.П. Интеллектуальные информационные системы в экономике Учебное пособие / Под ред. д. э. н., проф. Н. П. Тихомирова. — М.: Издательство «Экзамен», 2003. — 496 с.
20. Рыбина Г.В. "Теория и практика построения интегрированных экспертных систем", Рецензенты: зав.каф. прикладной математики МЭИ, д.т.н., проф. Еремеев А.П., зав.каф. МГУПИ, д.т.н., проф. Петров О.М., М.: ООО Издательство "Научтехлитиздат", 2008. -485 с. - ISBN 978-5-93728-081-7
21. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ: Пер. с англ. В. А. Кондратенко, С. В. Трубицына. — М.: Финансы и статистика, 1990. — 320 с.

Наука и техника идут вперёд семимильными шагами. Особенно решительный рывок был сделан в последние десятилетия нашего века, и касается он компьютерных технологий, информационных систем.

Что такое ИИС?

Задача специалистов нанотехнологий и компьютерного интеллекта заключается в том, чтобы создать такой искусственный мозг, который мог бы справляться с проблемами, требующими неоднозначного подхода и креативных путей решения. В искусственный интеллект необходимо вложить опыт, умения, знания, даже таланты, которыми обладает человеческая личность. И это не только для того, чтобы компьютер мог справиться с одним определённым заданием. Ведь аналогичных или близких ситуаций может быть бесконечное множество. И, «научившись» справляться с одной, компьютерная модель без труда сможет распознавать и разрешать подобные. Потому что в ее памяти будут внедрены знания данного человека, его интеллектуальные возможности, жизненный опыт и ещё многие другие Такой мозг, без сомнения, адаптируется для применения в других соответствующих сферах.

Самый непростой момент в такой задаче - это именно смоделировать такой искусственный интеллект, в котором присутствовала бы интуиция, сознание, подсознание в соответствие с человеческим. Подобные интеллекты в программировании принято называть «интеллектуальные информационные системы» - ИИС. Системы эти должны общаться с человеком на его родном, человеческом языке. А машинный перевод должен уметь уловить и обработать, «понять» всё богатство, смысловое и эмоциональное, человеческой речи.

Иначе говоря, интеллектуальные информационные системы - это компьютерные модели возможностей человеческого интеллекта в области целевого поиска, текущих сведений об окружающем мире для получения новых знаний о нём и решения на их основе особо важных задач. И если первые информационные системы просто работали на основе каталогов и классификаторов, выполняя решение соответствующих проблем, если автоматические информационные системы опирались на банки и базы данных, то ИИС включают в свой рабочий потенциал не что-нибудь, а базу знаний. Помимо сбора, обработки и хранения информации, интеллектуальные информационныесистемы разбираются с интеллектуальными проблемами и заданиями.

Основные направления в работе над ИИС

Работа над искусственным интеллектом ведётся в трёх основных направлениях. Первое - это раскрыть тайны человеческого мышления, исследовать структуру мозга и механизмы его работы. Учёные работают над изучением психофизиологических данных человека, отрабатывают гипотезы, связанные с работой механизмов разных видов рассматривают внедрение их в интеллектуальные информационные системы.

Во втором направлении ведутся работы по собственно моделированию, т.е. созданию такой системы при помощи компьютерной техники и т.д. Его представители заняты разработкой программного обеспечения, алгоритмических схем для вычислительной техники такого рода и класса, которая бы выступала как интеллектуальная система и решала проблемы на человеческом, осознанном и творческом уровне.

Учёные, представляющие так называемое третье направление, работают в, казалось бы, совершенно фантастической области - создание конкретных человеко-роботов, в которых функции информационной системы, т.е. искусственного разума, сочетались бы с возможностями естественного человеческого интеллекта.

Как отмечают задействованные теоретики и практики, наиболее сложный этап в исследованиях и конструируемых моделях - найти и воплотить оптимально возможное сочетание слияния человеческого и машинного разумов, организовать в языковом плане адекватный диалог между системой и человеком.

Введение……………………………………………………………………...……2

Общие положения ИИС……........................................................................5

1. Направления развития ИИС и способы их реализации.…………..5

   Свойства и возможности ИИС…………………………………...…9

Особенности и признаки интеллектуальности информационных систем……………………………………………………………………...13

Модели представления знаний в ИИС, основанных на правилах…..…14

Заключение…………………………………………………………………….....16

Список использованной литературы…………………………………………...17

Введение.

В современной науке под исследованиями, связанными с моделированием интеллектуальных возможностей человека, понимают научное направление, занятое проблемами синтеза автоматических структур, способных решать сложные задачи информационного обеспечения различных видов человеческой деятельности. Обычно – это задачи, для которых по тем или иным причинам не существует готовых правил или примеров решения. Разработать правила решения такой задачи может человек, обладающий необходимыми знаниями, опытом и интеллектом. Но если создать компьютерную модель, в памяти которой будут содержаться знания такого человека, запрограммированы его опыт и интеллектуальные способности, необходимые для решения конкретной задачи, то этой моделью можно будет пользоваться для решения многих задач, подобных уже решенной. Более того, эта модель может быть адаптирована для применения и в других проблемных ситуациях.

Среди таких задач наиболее трудными и актуальными считаются задача разработки средств общения человека с компьютерной системой, моделирующей интеллект человека, на естественном языке и задача автоматического машинного перевода с одних языков на другие при условии точной передачи смыслового и эмоционального аспектов. Дело в том, что, по

мнению многих выдающихся лингвистов, интеллектуальная деятельность человека (практически в любых ее аспектах) самым непосредственным образом связана с функционированием языка и мышления. Только с помощью абсолютно естественных средств общения человека с автоматом, исполняющим компьютерную программу, станет возможным создание систем, адекватно моделирующих человеческий интеллект и такие его свойства, как мышление, интуиция, сознание и подсознание… Такие системы в современной информатике получили название интеллектуальных информационных систем (ИИС).

Современное состояние фундаментальных и прикладных исследований в области интеллектуальных информационных систем позволяет считать, что их результаты стали достаточно определенными. Это означает, что сложилась сравнительно устойчивая система понятий, появились методология проектирования, построения и внедрения, определились типовые структуры таких систем и их компонентов.

Принято считать, что интеллектуальной задачей является отыскание неизвестного алгоритма решения некой практической или теоретической проблемы, универсального на множестве свойственных этой проблеме исходных данных. Требуется только, чтобы исполнитель,

решающий задачу, был способен выполнять те элементарные операции, из которых складывается процесс, и, кроме того, чтобы он педантично и аккуратно руководствовался предложенным алгоритмом. Такой исполнитель (человек или автомат), действуя чисто машинально, может успешно решать любую задачу рассматриваемого типа. Поэтому представляется совершенно естественным исключить их класса интеллектуальных такие задачи, для которых существуют стандартные методы решения. Примерами таких задач

могут служить чисто вычислительные задачи:

Решение системы линейных алгебраических уравнений;

Численное интегрирование дифференциальных уравнений;

Задачи аппроксимации эмпирических данных и т.п.

Для решения подобного рода задач имеются стандартные алгоритмы, представляющие собой определенную последовательность элементарных операций, которая может быть легко реализована в виде программы для вычислительной машины. В противоположность этому для широкого класса интеллектуальных задач, таких, как распознавание образов, логические выводы и сложные в логическом отношении игры (например, игра в шахматы), доказательство теорем и т. п., такое формальное разбиение процесса поиска решения на отдельные элементарные шаги напротив часто оказывается весьма затруднительным, даже если само их решение несложно.

Таким образом, возникает некоторое основание к тому, чтобы считать понятие интеллекта эквивалентным понятию универсального сверхалгоритма, который способен создавать алгоритмы решения конкретных задач.

Общие положения ИИС.

Развитие систем информационного обеспечения различных видов деятельности человека, исторически можно представить этапами:

«информационные системы» (ИС), «автоматизированные информационные системы» (АИС), «интеллектуальные информационные системы» (ИИС).

Интеллектуальная информационная система - это компьютерная модель

интеллектуальных возможностей человека в целенаправленном поиске , анализе и синтезе текущей информации об окружающей действительности для получения о ней новых знаний и решения на этой основе различных жизненно важных задач .

Каждому из этих этапов соответствует своя информационная модель предметной области. Для первых информационных систем такой моделью служили каталоги или классификаторы, для АИС это были массивы информации, организованные в виде баз и банков данных, а для ИИС модель предметной области представлена системой структурированных данных, получившей название базы знаний. Информационные системы, основанные на каталогах, создавались в основном для реализации в той или иной мере механизированного поиска необходимой информации. АИС, основанные на

высоко организованных базах данных, позволяли не только вести автоматизированный и многоаспектный поиск информации, но и достаточно сложную обработку найденной информации, ее организованное хранение и передачу. ИИС, основанные на базах знаний, должны (в дополнение к возможностям АИС) решать задачи, получившие название «интеллектуальных».

Развитие ИИС на современном этапе идет в соответствии с тремя направлениями исследований, целью которых – моделирование возможностей человека в решении интеллектуальных задач.

Первое направление объектом исследований рассматривает структуру и механизмы работы мозга человека, а конечной целью - раскрытие тайн мышления. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование ранее созданных моделей и т. д.

Второе направление в качестве объекта исследования рассматривает

искусственную интеллектуальную систему. Здесь речь идет о моделировании

интеллектуальной деятельности с помощью вычислительных машин или автоматов иного принципа действия. Целью работ в этом направлении является создание алгоритмического и программного обеспечения вычислительных таких машин, позволяющего решать некоторые виды интеллектуальных задач так же, как их решил бы человек.

Третье направление ориентировано на создание человеко-машинных, или, как еще говорят – интерактивных, интеллектуальных систем, являющих собой симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях является оптимальное сочетание возможностей человека и искусственной системы, моделирующей интеллектуальные возможности человека, и организация семантически безупречного диалога между человеком и такой системой.

В рамках каждого из направлений существуют различные подходы к построению ИИС. Эти подходы не являются эволюционными этапами, они появились почти одновременно (в историческом плане) и самостоятельно существуют и развиваются в настоящее время. Более того, никогда не было достаточных оснований к тому, чтобы безоговорочно предпочесть какой-то подход остальным.

Практически каждая ИИС, основанная на логическом подходе, представляет собой машину для решения задач логических выводов и доказательства теорем. При этом исходные данные хранятся в базе знаний в виде аксиом и правил построения логического вывода как отношений между этими данными. Кроме того, каждая такая машина имеет блок генерации цели (формулировка задачи или теоремы), а система вывода (универсальный

решатель) должна решить данную задачу или доказать теорему. Если сформулированная цель достигнута (теорема доказана), то последовательность примененных правил образует цепочку действий, позволяющих решать любые задачи подобного типа. Мощность такой

системы определяется возможностями генератора целей и возможностями машины доказательства теорем (универсального решателя). Доказательство может потребовать полного перебора всех возможных вариантов решений.

Поэтому данный подход требует эффективной реализации вычислительного процесса и хорошо «работает» при сравнительно небольшом объеме базы знаний.

Физический подход объединяет методы моделирования интеллектуальных возможностей человека с помощью компьютера и различных физических устройств. Одной из первых таких попыток был перцептрон Фрэнка Розенблатта. Структурной единицей перцептрона (как и большинства других вариантов такого моделирования) является компьютерная модель нейрона – нервной клетки. Позднее возникли модели,

которые получили известность под термином "искусственные нейронные сети" (ИНС). Эти модели относятся к структурам, основанным на примерах. Они используют как различные по физической реализации модели нервных клеток, так и различные топологии

связей между ними.

Широкое распространение получило в последние годы эволюционное

моделирование. Принцип, лежащий в основе этого метода, заимствован у природы – у живых организмов и систем. Во многих источниках он определяется как воспроизведение процесса естественной эволюции с помощью специальных алгоритмов и программ.

Еще одним, широко используемым методом этого подхода к построению ИИС является имитационное моделирование. Оно связано с классическим для кибернетики, одним из ее базовых понятий - "черным ящиком" (ЧЯ). Так называют устройство, информация о внутренней структуре и содержании которого отсутствуют полностью, но известна матрица обязательного соответствия сигналов на входе в него и сигналов на его выходе. Объект, поведение которого имитируется моделью, как раз и представляет собой такой "черный ящик". Нам не важно, что у него внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же. Так можно моделировать важное свойство человека - способность копировать то, что делают другие, не задумываясь, зачем это нужно. Зачастую эта способность экономит ему массу времени, особенно в начале его жизни. Основным недостатком имитационного подхода является низкая информационность о побудительных мотивах поведения моделей, построенных с его помощью.

1.2. Свойства и возможности ИИС.

Основным предназначением ИИС изначально было и будет исполнение роли «усилителя» интеллекта человека, дающего возможность решения проблемы, которая требует таких знаний, опыта и образа мышления, которых он не сумел, не считал нужным или не мог приобрести до того, как перед ним него возникла эта проблема. Чтобы ИИС любой типологической категории (ЭС, НС или гибридная) отвечала в полной мере такому назначению, необходимо, чтобы она обладала качествами (свойствами и возможностями) идеального помощника человека: честностью, понятливостью, восприимчивостью, дееспособностью, исполнительностью. Если перейти к понятиям более конкретным, то в терминах теории и практики построения ИСС эти качества трактуются как:

Коммуникативность, трактуемая как многообразие доступных всем категориям пользователей способов общения с системой;

- универсальность по отношению к множеству задач, составляющих проблемную область, в пределах задач которой должна функционировать стстема;

- « умение» обучаться на основе приобретаемого опыта и знаний, приспосабливаясь к

изменению условий решения проблемы;

- « умение» перестроиться при изменении принципиальных положений (концепций) предметной (а значит - и проблемной) области.

Коммуникативные качества ИИС определяются наличием в ее структуре аппаратно-программных средств, обеспечивающих возможность любому пользователю системы общаться с ней естественным для него способом. Это означает, что пользователь системы не должен «выбирать выражения», обращаясь к ней с тем или иным заданием, а делать это в привычной и удобной для себя манере. А система должна совершенно точно распознать смысл задания и приступить к его выполнению. Если задание выполнено, то система должна сообщить пользователю, как было получено решение и почему оно является именно таким. Коммуникативные функции реализуются в виде уточняющего диалога. Для того, чтобы диалог был возможен при выборе пользователем того или иного способа общения с системой (речевое обращение, запрос в виде текста, графический образ), в ее составе должны быть соответствующие аппаратные и программные средства.

Аппаратные средства преобразуют аналоговые сигналы в машинные цифровые коды (при вводе запроса) и цифровые коды в аналоговый сигнал (при выводе ответа). Программные средства осуществляют необходимую обработку информации, представленной в запросе к системе. Обработка запроса, изложенного на естественном языке (ЕЯ-запроса), предусматривает его лингвистический анализ (распознание синтаксической структуры и морфологии текста запроса), семантический анализ ЕЯ-запроса (распознание его смысла), лингвистическую и семантическую интерпретацию запроса в понятиях и терминах внутрисистемного языка описания знаний и описания всевозможных отношений между понятиями. После такого «перевода» запроса на «свой» язык, система решает поставленную в нем задачу. Эту функцию выполняет комплекс программ, реализующий алгоритмы процедур и правил, составляющих процедурную компоненту БЗ системы. Решив поставленную пользователем задачу, система должна представить результаты в том виде, как это было указано в запросе на ее решение: в виде речевого сообщения, текста, схемы, анимации или трехмерного изображения. Для этого необходимо преобразовать результаты решения задачи из представления на внутрисистемном языке в представление на естественном языке, языке графики или анимации. Такие преобразования осуществляются сначала программами семантической интерпретации результатов решения в понятиях и терминах естественного языка, языка графики или языка анимации, а затем программами лингвистического синтеза результатов решения (ответа системы на запрос) на естественном языке пользователя или на языке графики или анимации.

Универсальность системы («умение» решать любые интеллектуальные задачи того класса, который определяется проблемной областью) обеспечивается наличием в структуре ее базы знаний соответствующей информации. Как уже было отмечено, база знаний системы состоит из декларативных и процедурных знаний. Первая компонента представлена информационной моделью предметной области, к которой относится класс

задач, а вторая - набором логических процедур и правил, необходимых и достаточных для решения задач данного проблемного класса. Эти две компоненты, будучи информационно согласованными и совместимыми, должны обеспечивать решение любой типовой задачи данного класса. Если условия какой- либо задачи потребуют знаний или процедур, которых нет в базе системы, то факты (знания) и алгоритмы анализа и синтеза, которые в ней имеются, должны позволить получить их и решить задачу.

Способность системы к обучению и самообучению обеспечивается средствами анализа и обобщения имеющихся знаний и синтеза на этой основе новых знаний. Такие средства могут быть комплексными, то есть программно-аппаратными. Программная компонента ИИС, основанной на правилах, решает задачи анализа и синтеза знаний с помощью логических и вычислительных алгоритмов, реализующих методы правдоподобного вывода, или с применением известных правил решения стереотипных

задач. Аппаратно-программная компонента ИИС, основанной на аналогиях (примерах).

На рис.1 представлена обобщенная функциональная структура ИИС в ее принципиальной трактовке. Диалоговые средства (ДС) обеспечивают взаимодействие пользователей с системой и организуют работу других блоков. Функции ДС обеспечиваются БЗ, в которой содержится информация о пользователях ИИС, а также средствами лингвистического анализа (ЛА), лингвистического синтеза (ЛС) и средствами семантической интерпретации (СИ).

Обобщённая функциональная структура ИИС.

Рис. 1

2. 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.

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.

Модели представления знаний в ИИС, основанных на правилах.

В интеллектуальных информационных системах (ИИС) информационная модель ПО представлена совокупность двух разновидностей знаний – декларативные и процедурные. Декларативными принято называть знания о свойствах сущностей ПО и об отношениях между ними, а процедурными - знаний о допустимых правилах манипулирования такой информацией. Декларативные знания утверждают факт наличия определенных свойств сущностей, а процедурные знания определяют правила, методы и процедуры, с помощью которых можно осуществлять разнообразный анализ декларируемых знаний и на его основе синтезировать новые знания. К

примеру, применяя к определенной совокупности фактов некую последовательность известных правил, можно выяснить:

Как эта совокупность фактов была получена;

Почему были получены именно такие факты;

В каких условиях эти факты не имеют смысла;

Какие новые виды отношений свойственны сущностям ПО и их свойствам.

Центральным вопросом при создании базы знаний ИИС является выбор модели представления знаний (ПЗ) о свойствах сущностей ПО и отношениях (связях) между ними. Эта модель должна определять не только структуры информации различных уровней, но и обеспечить их максимальную адекватность (соответствие) структуре внутренних операций компьютера и структуре языков программирования, используемых для реализации модели. При этом, безусловно, нельзя оставлять без внимания и такое важное условие как максимальное соответствие модели ПЗ характеру (классу) задач, для решения которых создается система. Многие современные средства (языки) описания абстрактных и конкретных знаний и языки манипулирования такими знаниями ориентированы на создание производящих конструкций (процедур), реализуемых на компьютерах фон-неймановской архитектуры в виде последовательностей элементарных операций арифметики, алгебры исчисления предикатов и логики. Выбор способа построения таких производящих конструкций (процедур) определяет тип модели представления знаний. Представление знаний в такой модели должно быть понятным и однородным (одинаковым для любой категории отображаемых знаний) в конкретной ПО. Однородность представления знаний делает более технологичным управление логическим выводом при анализе и синтезе информации и управление знаниями (приобретение знаний и их оценку). Требование понятности и однородности представления знаний могут в некоторых случаях оказаться противоречивыми. И выход из такой ситуации бывает разным при решении простых или более сложных задач. В простых случаях (относительная однородность объектов ПО и типов связей между ними или относительно узкий класс решаемых задач) приемлемым может оказаться нестрогое («слабое») структурирование знаний. В сложных случаях (разнородность объектов, многообразие связей между ними, широкий класс решаемых задач) необходимо выбрать способ представления знаний, обеспечивающий их строгую («сильную») структуризацию и, если удастся, - модульную организацию модели представление знаний.

В современных ИИС применяются четыре типа моделей представления знаний:

Продукционная модель;

Формально-логическая модель;

Фреймовая модель;

Семантико-сетевая модель.

Заключение.

Таким образом, интеллектуальная информационная система - это компьютерная модель интеллектуальных возможностей человека в целенаправленном поиске, анализе и синтезе текущей информации об окружающей действительности для получения о ней новых знаний и решения на этой основе различных жизненно важных задач.

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.

Чаще всего интеллектуальные системы применяют для решения задач, основная сложность которых связана с использованием слабо-формализованных знаний специалистов – практиков и где смысловая или логическая обработка информации преобладает над вычислительной. Например, понимание естественного языка, принятия решений в сложной ситуации, управление диспетчерским пультами. Системы, ядром которых является база знаний или модель предметной области, описанная на языке сверхвысокого уровня, приближенном к собственному, называют интеллектуальными. Такой язык сверхвысокого уровня называют языком представления знаний.

Перспективным путём совершенствования и дальнейшего развития экспертных систем является создание инструментальных средств, базирующихся на совместном использовании различных моделей представления знаний: продукционных, семантических, фреймов и логических моделей. Все эти модели являются математическим средством построения перспективных интеллектуальных автоматизированных систем обработки информации и управления.

Список используемой литературы:

Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. Уч.- М.: Финансы и статистика, 2004.- 424 с.

Арсеньев С. Н., Шелобов С. И., Давыдова Т.Ю. «Принятие решений. Интегрированные информационные системы». Учебное пособие для ВУЗов. М.:Юнити-Дана, 2003.-270 с.

Джексон П. Введение в экспертные системы/ Учебное пособие - М.: «Вильямс», 2001 – 624с.

Леденева Т.М., Подвольный С.Л. Системы искусственного интеллекта и принятия решений: учебное пособие; Уфа: УГАТУ, 2005. – 246 с.

Поспелов Г. С. «Искусственный интеллект. Новые информационные технологии» - М.: «Наука 2006г.»

Системы управления базами данных и знаний. Справ. Изд./А.Н. Наумов, А.М. Вендров, В.К. Иванов и др.; Под ред. А.Н. Наумова. – Финансы и статистика, 2001.