Понятие и классификация интеллектуальных информационных систем

40. Какие задачи типичны  для информационных хранилищ 

 Типичными задачами  оперативного ситуационного анализа  являются:

1 Определение профиля  потребителей конкретного товара 

2 Предсказание изменений  ситуации на рынке 

3 Анализ зависимостей  признаков ситуаций (корреляционный  анализ) и др.

41. Что такое адаптивная  информационная система? 

 Адаптивная информационная  система - это ИС, которая изменяет  свою структуру в соответствии  с изменением модели проблемной  области. 

42. Назовите основные  требования к адаптивности информационных  систем?

 Эти требования сводятся  к следующему:

1 ИС в каждый момент  времени должна адекватно поддерживать  организацию бизнес-процессов. 

2 Реконструкция ИС должна  проводиться всякий раз, как  возникает потребность в реорганизации  бизнес-процессов. 

3 Реконструкция ИС должна  проводиться быстро и с минимальными  затратами. 

43. Что является ядром  адаптивной информационной системы? 

 Ядром адаптивной ИС  является постоянно развиваемая  модель проблемной области (предприятия), поддерживаемая в специальной  базе знаний - репозитории, на основе которого осуществляется генерация или конфигурация программного обеспечения. Таким образом, проектирование и адаптация ИС сводится, прежде всего, к построению модели проблемной области и ее своевременной

 

 

 

 

 

 

Области применения систем, основанных на знаниях, весьма разнообразны: бизнес, производство, военные приложения, медицина, социология, геология, космос, сельское хозяйство, управление, юриспруден­ция и др.

 

 

Системы, основанные на знаниях (СОЗ) — это системы программного обеспечения, основными структурными элементами которых являются база знаний и механизм логических выводов. Среди  СОЗ можно вы­делить:

 

·        интеллектуальные информационно-поисковые системы;

 

·        экспертные системы (ЭС).

 

Интеллектуальные информационно-поисковые  системы отличаются от предыдущего  поколения информационно-поисковых  систем не только гораздо более обширным справочно-информационным фондом, но и  важнейшей способностью формировать  адекватные ответы на запросы пользователя даже тогда, когда запросы не носят  прямого характера.

 

Наиболее известным практическим примером СОЗ могут служить  экспертные системы, способные диагностировать  заболевания, оценивать потенциальные  месторождения полезных ископаемых, осуществлять обработку естественного  языка, распознавание речи и изображений  и т.д. Экспертные системы являются первым шагом в практической реализации исследований в области искусственного интеллекта

 

Экспертные системы —  это сложные программные комплексы, аккумулирующие знания специалистов в  конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей.

 

Базовая структура экспертной системы приведена на рис. 6.

 

Структурные элементы, составляющие экспертную систему, выполняют следующие  функции.

 

База знаний реализует  функции представления знаний в  конкретной предметной области и  управление ими.

 

Механизм логических выводов  выполняет логические выводы на основании  знаний, имеющихся в базе знаний.

 

Пользовательский интерфейс  необходим для правильной передачи ответов пользователю, иначе пользоваться системой крайне неудобно.

 

Модуль приобретения знаний необходим для получения знаний от эксперта, поддержки базы знаний и дополнения ее при необходимости.

 

Модуль ответов и объяснений формирует заключение экспертной системы  и представляет различные комментарии, прилагаемые к заключению, а также  объясняет мотивы заключения.

 

 

 

Рис. 10.1. Структура экспертной системы.

 

Перечисленные структурные  элементы являются наиболее характерными, хотя в реальных экспертных системах их функции могут быть соответствующим  образом усилены или расширены.

 

Знания в базе знаний представлены в конкретной форме и организация базы знаний позволяет их легко определять, модифицировать и пополнять. Решение задач с помощью логического вывода на основе знаний хранящихся в базе зна­ний, реализуется автономным механизмом логического вывода. Хотя оба эти компонента системы с точки зрения ее структуры являются независимыми, они находятся в тесной связи между собой и определение модели представления знаний накладывает ограничения на выбор соответствующего механизма логических выводов.

 

Преимущества экспертных систем:

 

·        Постоянство. Экспертные системы ничего не забывают в отличие от человека-эксперта.

 

·        Воспроизводимость. Можно сделать любое количество копий экспертной системы, а обучение новых экспертов отнимает  много времени и средств.

 

·        Эффективность. Может увеличить производительность и уменьшать затраты персонала.

 

·        Постоянство. С использованием экспертных системам подобные транзакции обрабатываются одним  и тем же способом. Система будет  делать сопоставимые рекомендации для  похожих ситуаций.

 

·        Влияние  на людей. Новый эффект (самая современная  информация, имеющая влияние на здравый  смысл). Главный эффект (ранняя информация доминирует над здравым смыслом).

 

·        Документация. Экспертная система может документировать  процесс решения.

 

·        Законченность. Экспертная система может выполнять  обзор всех транзакций, a человек-эксперт сможет сделать обзор только отдельной выборки.

 

·        Своевременность. Погрешности в конструкциях и-или могут быть своевременно найдены.

 

·        Широта. Могут быть объединены знания многих экспертов, что дает системе больше широты, чем с вероятно может достичь  один человек.

 

·        Снижение риска ведения дела благодаря  последовательности принятия решения  документированности и компетентности.

 

Недостатки экспертных систем:

 

·        Здравый  смысл. В дополнение к широкому техническому знанию, человек-эксперт имеет здравый  смысл. Еще не известно, как заложить здравый смысл в экспертные системы.

 

·        Творческий потенциал. Человек-эксперт может  реагировать творчески на необычные  ситуации, экспертные системы не могут.

 

·        Обучение. Человек-эксперт автоматически адаптируются к изменению среды; экспертные системы  нужно явно модифицировать.

 

·        Сенсорный  опыт. Человек-эксперт располагает  широким диапазоном сенсорного опыта; экспертные системы в настоящее  время основаны на вводе символов.

 

Экспертные системы не хороши, если решения не существует или когда проблема лежит вне  области их компетенции.

 

Класс экспертных систем сегодня  объединяет несколько тысяч различных  программных комплексов, которые  можно классифицировать по различным  критериям: решаемая задача, связь с  реальным временем, тип ЭВМ, степень  интеграции.

 

 

 Разработка интеллектуальных  информационных систем отличается  от создания обычного программного  продукта. Опыт разработки ранних  экспертных систем показал, что  использование традиционной технологии  программирования либо чрезмерно  затягивает процесс разработки, либо вообще приводит к отрицательному  результату. Это связано главным  об­разом с необходимостью модифицировать принципы и способы построения по мере того, как увеличивается знание разработчиков о проблемной области.

 

Известно, что большая  часть знаний в конкретной предметной области остается личной собственностью эксперта. Наибольшую проблему при  разработке экспертной системы представляет процедура получения знаний у  эксперта и занесения их в базу знаний, называемая извлечением знаний. Это происходит не потому, что он не хочет разглашать своих секретов, а потому, что не в состоянии  сделать это — ведь эксперт  знает гораздо больше, чем сам  осознает. Для выявления знаний эксперта  и их формализации на протяжении всего  периода разработки с ним взаимодействует  инженер по знаниям.

 

Чтобы избежать дорогостоящих  и безуспешных попыток,  был  разработан набор рекомендаций для  того, чтобы определить, является ли проблема подходящей для решения  с помощью экспертной системы:

 

·        Потребность  в решении должна соответствовать  затратам  на ее  разработку.  Суммы  затрат и полученная  выгода должны быть реалистическими.

 

·        Невозможно использовать знания человека-эксперта там, где это необходимо. Если  «экспертные»  знания широко распространены, то маловероятно, что стоит разрабатывать  экспертную  систему. Однако в таких  областях как  разведка нефти и  медицина могут быть  редкие специализированные знания, которыми можно недорого  снабдить экспертную систему, и не использовать очень высоко оплачиваемого  эксперта.

 

·        Проблема может быть решена с использованием символических методов рассуждения.

 

·        Проблема хорошо  структурирована и не требует применения знаний, основанных на здравом смысле. Знания, основанные на здравом смысле, хорошо  известны, поэтому их незачем  фиксировать  и представлять.

 

·        Проблема не может быть легко решена с использованием более традиционных вычислительных методов. Если имеется хорошее алгоритмическое  решение проблемы,  не следует  использовать экспертную систему.

 

·        Существуют эксперты в данной проблемной области. Поскольку экспертная система  проектируется  для  успешной работы, весьма существенно, чтобы эксперты желали помогать при  ее проектировании, а не считали, что  их работе угрожают. Кроме того необходима поддержка администрации и потенциальных  пользователей.

 

·        Проблема имеет подходящий  размер и область  применения.  Как правило, проблема требует применения знаний высоко специализированных экспертов, но  человек-эксперт должен тратить на ее решение короткое время,  максимум  час.

 

В настоящее время сложилась  последовательность действий при разработке экспертных систем. Она включает следующие  этапы: идентификация, получение знаний, концептуализация, формализация, выполнение, тестирование и опытная эксплуатация.

 

 

 

Рис. 10.2. Технология разработки экспертных систем

 

 

Этап идентификации связан, прежде всего, с осмыслением тех  задач, которые предстоит решать будущей экспертной системе, и формированием  требований к ней. На этом этапе планируется  ход разработки прототипа системы, определяются источники знаний (книги, эксперты, методики), цели (распространение  опыта, автоматизация рутинных операций), классы решаемых задач и т.д. Результатом  идентификации является ответ на вопрос, что надо сделать и какие  ресурсы необходимо задействовать.

 

 

 При решении проблемы  получения знаний выделяют три  стратегии: приобретение знаний, извлечение знаний и обнаружение  знаний.

 

Под приобретением (acquisition) знаний понимается способ автоматизированного наполнения базы знаний посредством диалога эксперта и специальной программы.

 

Извлечением (elicitation) знаний называют процедуру взаимодействия инженера по знаниям с источником знаний (экспертом, специальной литературой и др.) без использования вычислительной техники.

 

Термины «обнаружение знаний» (knowledge discovery), а также Data Mining связывают с созданием компьютерных систем, реализующие методы автоматического получения знаний.

 

 

 На этапе концептуализации  проводится содержательный анализ  проблемной области, выявляются  используемые понятия и их  взаимосвязи, определяются методы  решения задач. Этот этап завершается  созданием модели предметной  области, включающей основные  концепты и отношения. Модель  представляется в виде графа,  таблицы, диаграммы или текста.

 

 

 На этапе формализации  все ключевые понятия и отношения   выражаются на некотором формальном  языке, который выбирается из  числа уже существующих, либо создается заново. Другими словами, на данном этапе определяется состав средств и способы представления декларативных и процедурных знаний, осуществляется это представление и в итоге создается описание решения задачи экспертной системы на выбранном формальном языке.

 

 

 На этапе выполнения  создается один или несколько  реально работающих прототипов  экспертной системы. Для ускорения  этого процесса в настоящее  время широко применяются различные  инструментальные средства.

 

 

 На данном этапе  оценивается и проверяется работа  программы прототипа с целью  приведения ее в соответствие  с реальными запросами пользователей.  Прототип проверяется по следующих основным позициям:

 

·        удобство  и адекватность интерфейсов ввода-вывода (характер вопросов в диалоге, связность  выводимого текста результата и др.);

 

·        эффективность  стратегии управления (порядок перебора, использование нечеткого вывода и т.д.);

 

·        корректность базы знаний (полнота и непротиворечивость правил).

 

Задача  стадии тестирования — выявление ошибок и выработка  рекомендаций по доводке прототипа  экспертной системы до промышленного  образца.

 

 

 На этапе опытной  эксплуатации проверяется пригодность  экспертной системы для конечного  пользователя. Пригодность определяется  в основном удобством и полезностью  разработки. Под полезностью понимается  способность экспертной системы  определять в ходе диалога  потребности пользователя, выявлять  и устранять причины неудач  в работе, а также удовлетворять  указанные потребности пользователя (решать поставленные задачи). Удобство  работы подразумевает естественность  взаимодействия с экспертной  системой, гибкость (способность системы  настраиваться на различных пользователей,  а также учитывать изменения  в квалификации одного и того  же пользователя) и устойчивость  системы к ошибкам (способность  не выходить из строя при  ошибочных действиях пользователя).