Разработка автоматизированной информационной системы по начислению заработной платы по 18-разрядной сетке

     Интеллектуальные  пакеты прикладных программ позволяют, аналогично экспертным системам, предварительно создавать базу знаний, включающую совокупность знаний из той или иной области деятельности человека, а затем решать практические задачи с привлечением этих знаний. Различие этих видов пакетов состоит в том, что экспертные системы, в отличие от интеллектуальных пакетов прикладных программ, позволяют интегрировать знания из так называемых слабо формализуемых предметных областей, в которых сложно определить входные и выходные параметры задачи, а также невозможно сформировать четкий алгоритм ее решения. Кроме того, экспертные системы не формируют алгоритм решения задачи как в случае интеллектуальных пакетов прикладных программ, а лишь выдают «советы» пользователю на основании его запроса.

     Сегодня за счет достижений в области искусственного интеллекта создано большое количество научных разработок, которое существенно упрощает жизнь людей. Распознавание речи или отсканированного текста, решение вычислительно сложных задач за короткое время и многое другое - все это стало доступно благодаря развитию искусственного интеллекта.[3] 
 

2. Представление знаний

     Теория  искусственного интеллекта в последнее  время стала характеризоваться как "наука о знаниях, о том, как их добывать, представлять в искусственных системах, перерабатывать внутри системы и использовать для решения задач", а история искусственного интеллекта, исключая ее ранние этапы, - как история исследований методов представления знаний.[7]

     Представление знаний - структурирование знаний с  целью формализации процессов решения задач в определенной проблемной области.

     Представление знаний в экспертной системе о  проблемной среде необходимо реализовывать таким образом, чтобы экспертная система могла управлять процессом поиска решения, была способна приобретать новые знания и объяснять свои действия. Она должна уметь работать не только со знаниями, но и над знаниями т.е. обладать способностью понимать и исследовать их. Таким образом, экспертная система должна иметь знания о том, как представлены ее знания о проблемной сфере.

     В рамках направления "представление  знаний" решаются задачи, связанные с формализацией и представлением знаний в памяти интеллектуальной системы. Для этого разрабатываются специальные модели представления знаний и языки для описания знаний, выделяются различные типы знаний. Изучаются источники, из которых интеллектуальная система может черпать знания, и создаются процедуры и приемы, с помощью которых возможно приобретение знаний для интеллектуальной системы. Проблема представления знаний для интеллектуальной системы чрезвычайно актуальна, т.к. интеллектуальная система - это система, функционирование которой опирается на знания о проблемной области, которые хранятся в ее памяти.[8]

     Модели  представления знаний – это одно из важнейших направлений исследований в области искусственного интеллекта. Почему одно из важнейших? Да потому, что без знаний искусственный интеллект не может существовать в принципе. Действительно, представьте себе человека, который абсолютно ничего не знает. Например, он не знает даже таких элементарных вещей как:

• для того, чтобы не умереть от голода, необходимо периодически есть;
• необязательно из одного края города в другой идти пешком, если для этих целей можно воспользоваться общественным транспортом.

     Таких примеров удастся привести еще много, но уже сейчас можно легко ответить на следующий вопрос: «Поведение такого человека может считаться разумным?». Конечно же, нет. Именно поэтому, при  создании систем искусственного интеллекта особенное внимание уделяется моделям представления знаний.

     На  сегодняшний день разработано уже  достаточное количество моделей. Каждая из них обладает своими плюсами и минусами, и поэтому для каждой конкретной задачи необходимо выбрать именно свою модель. От этого будет зависит не столько эффективность выполнения поставленной задачи, сколько возможность ее решения вообще.

     Модели  представления знаний относятся  к прагматическому направлению исследований в области искусственного интеллекта. Это направление основано на предположении о том, что мыслительная деятельность человека – «черный ящик». При таком подходе не ставится вопрос об адекватности используемых в компьютере моделей представления знаний тем моделям, которыми пользуется в аналогичных ситуациях человек, а рассматривается лишь конечный результат решения конкретных задач.

     Рассмотрим  три наиболее часто используемые и популярные на сегодняшний день модели представления знаний:

1. продукционные модели – модели основанные на правилах, позволяют представить знание в виде предложений типа: «ЕСЛИ условие, ТО действие». Продукционные модели обладает тем недостатком, что при накоплении достаточно большого числа правил, они начинают противоречить друг другу;
2. сетевые модели или семантические сети – как правило, это граф, отображающий смысл целостного образа. Узлы графа соответствуют понятиям и объектам, а дуги – отношениям между объектами;
3. фреймовые модели – основывается на таком понятии как фрейм (англ. frame – рамка, каркас). Фрейм – структура данных для представления некоторого концептуального объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах. Слоты могут быть терминальными либо являться сами фреймами, т.о. образуя целую иерархическую сеть.

     Существуют  два типа методов представления знаний представления знаний:

     – Формальные модели представления знаний;

     – Неформальные (семантические, реляционные) модели представления знаний.

     Очевидно, все методы представления знаний, которые рассмотрены выше, включая  продукции (это система правил, на которых основана продукционная модель представления знаний), относятся к неформальным моделям. В отличие от формальных моделей, в основе которых лежит строгая математическая теория, неформальные модели такой теории не придерживаются. Каждая неформальная модель годится только для конкретной предметной области и поэтому не обладает универсальностью, которая присуща моделям формальным. Логический вывод - основная операция в СИИ - в формальных системах строг и корректен, поскольку подчинен жестким аксиоматическим правилам. Вывод в неформальных системах во многом определяется самим исследователем, который и отвечает за его корректность. [1]

     Трудности приобретения знаний - это в значительной степени трудности изучения структуры экспертного знания и механизмов его функционирования. Рефлексия эксперта над собственным знанием не может решить этой проблемы, поскольку, во-первых, не все эксперты обладают достаточно развитой способностью к рефлексии, во-вторых, далеко не всегда могут осуществлять ее в тех концептуальных рамках, которые обеспечивают возможность заполнения базы знаний, и, в-третьих, известны случаи, когда эксперты в силу каких-либо соображений не желают делиться информацией с инженером знаний.[5] 

3. Экспертные  системы

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

     Экспертные  системы применяются для решения  только трудных практических (не игрушечных) задач. По качеству и эффективности решения экспертные системы не уступают решениям эксперта-человека. Решения экспертных систем обладают "прозрачностью", т.е. могут быть объяснены пользователю на качественном уровне. Это качество экспертных систем обеспечивается их способностью рассуждать о своих знаниях и умозаключениях. Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом. Необходимо отметить, что в настоящее время технология экспертных систем используется для решения различных типов задач (интерпретация, предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление ) в самых разнообразных проблемных областях, таких, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, металлургия, горное дело, химия, образование, целлюлозно-бумажная промышленность, телекоммуникации и связь и др.

     В нашей стране современное состояние  разработок в области экспертных систем можно охарактеризовать как стадию всевозрастающего интереса среди широких слоев экономистов, финансистов, преподавателей, инженеров, медиков, психологов, программистов, лингвистов. К сожалению, этот интерес имеет пока достаточно слабое материальное подкрепление - явная нехватка учебников и специальной литературы, отсутствие символьных процессоров и рабочих станций искусственного интеллекта, ограниченное финансирование исследований в этой области, слабый отечественный рынок программных продуктов для разработки экспертных систем.

     Поэтому распространяются “подделки” под  экспертные системы в виде многочисленных диалоговых систем и интерактивных  пакетов прикладных программ, которые  дискредитируют в глазах пользователей  это чрезвычайно перспективное  направление. Процесс создания экспертной системы требует участия высококвалифицированных  специалистов в области искусственного интеллекта, которых пока выпускает  небольшое количество высших учебных  заведений страны.

     Экспертная  система - это набор программ или  программное обеспечение, которое выполняет функции эксперта при решении какой-либо задачи в области его компетенции. Экспертная система, как и эксперт-человек, в процессе своей работы оперирует со знаниями. Знания о предметной области, необходимые для работы экспертных систем, определённым образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться и дополняться в процессе развития системы. [4]

     Экспертные  системы выдают советы, проводят анализ, выполняют классификацию, дают консультации и ставят диагноз. Они ориентированы  на решение задач, обычно требующих  проведения экспертизы человеком-специалистом. В отличие от машинных программ, использующий процедурный анализ, экспертные системы решают задачи в узкой предметной области (конкретной области экспертизы) на основе дедуктивных рассуждений. Такие системы часто оказываются способными найти решение задач, которые неструктурированны и плохо определены. Они справляются с отсутствием структурированности путём привлечения эвристик, то есть правил, взятых «с потолка», что может быть полезным в тех системах, когда недостаток необходимых знаний или времени исключает возможность проведения полного анализа.

     Главное достоинство экспертных систем - возможность  накапливать знания, сохранять их длительное время, обновлять и тем  самым обеспечивать относительную  независимость конкретной организации  от наличия в ней квалифицированных  специалистов. Накопление знаний позволяет  повышать квалификацию специалистов, работающих на предприятии, используя  наилучшие, проверенные решения.

     Практическое  применение искусственного интеллекта на машиностроительных предприятиях и в экономике основано на экспертных системах, позволяющих повысить качество и сохранить время принятия решений, а также способствующих росту эффективности работы и повышению квалификации специалистов.

     Современные экспертные системы широко используются для тиражирования опыта и знаний ведущих специалистов практически во всех сферах экономики. Традиционно знания существует в двух видах:

     · Коллективный опыт;

     · Личный опыт;

     Если  большая часть знаний в предметной области представлена в виде коллективного  опыта (например, высшая математика), эта  предметная область не нуждается в экспертных системах.

     Если  в предметной области большая  часть знаний является личным опытом специалистов высокого уровня, если эти  знания по каким-либо причинам слабо структурированы, такая предметная область, скорее всего, нуждается в экспертной системе.

     Экспертная  система  может функционировать  в 2-х режимах.

     1. 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 экспертной системы

     2. Режим консультации – пользователь ведет диалог с экспертной системой, сообщая ей сведения о текущей задаче и получая рекомендации экспертной системы. Например, на основе сведений о физическом состоянии больного экспертная система ставит диагноз в виде перечня заболеваний, наиболее вероятных при данных симптомах.[2] 

4. Нейронные сети

     Интеллектуальные  системы на основе искусственных  нейронных сетей позволяют с  успехом решать проблемы распознавания  образов, выполнения прогнозов, оптимизации, ассоциативной памяти и управления. Известны и иные, более традиционные подходы к решению этих проблем, однако они не обладают необходимой  гибкостью за пределами ограниченных условий. ИНС дают многообещающие альтернативные решения, и многие приложения выигрывают от их использования.

    В последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях (НС). Актуальность исследований в этом направлении подтверждается массой различных применений НС. Это автоматизация процессов распознавания образов, адаптивное управление, аппроксимация функционалов, прогнозирование, создание экспертных систем, организация ассоциативной памяти и многие другие приложения. С помощью НС можно, например, предсказывать показатели биржевого рынка, выполнять распознавание оптических или звуковых сигналов, создавать самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту. В то время как на западе применение НС уже достаточно обширно, у нас это еще в некоторой степени экзотика – российские фирмы, использующие НС в практических целях, наперечет. [1]