ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

С развитием компьютерных технологий менялся смысл, вкла­дываемый в понятие информационной системы. Современная информационная система — это набор информационных техно­логий, направленных на поддержку жизненного цикла информа­ции и включающего три основные процесса: обработку данных, управление информацией и управление знаниями. В условиях резкого увеличения объемов информации переход к работе со знаниями на основе искусственного интеллекта является, по всей вероятности, единственной альтернативой информацион­ного общества.

Воспользуемся определением «интеллектуальной системы» проф. Д.А. Поспелова [38]: «Система называется интеллектуаль­ной, если в ней реализованы следующие основные функции:

• накапливать знания об окружающем систему мире, класси­фицировать и оценивать их с точки зрения прагматической полез­ности и непротиворечивости, инициировать процессы получения новых знаний, осуществлять соотнесение новых знаний с ранее хранимыми;

• пополнять поступившие знания с помощью логического вы­вода, отражающего закономерности в окружающем систему мире или в накопленных ею ранее знаниях, получать обобщенные зна­ния на основе более частных знаний и логически планировать свою деятельность;

• общаться с человеком на языке, максимально приближенном к естественному человеческому языку, и получать информацию от каналов, аналогичных тем, которые использует человек при вос­приятии окружающего мира, уметь формировать для себя или по просьбе человека (пользователя) объяснение собственной деятель­ности, оказывать пользователю помощь за счет тех знаний, кото­рые хранятся в памяти, и тех логических средств рассуждений, ко­торые присущи системе».

Перечисленные функции можно назвать функциями представ­ления и обработки знаний, рассуждения и общения. Наряду с обязательными компонентами, в зависимости от решаемых задач и об­ласти применения в конкретной системе эти функции могут быть реализованы в различной степени, что определяет индивидуаль­ность архитектуры. На рис. 5.19 в наиболее общем виде представ­лена структура интеллектуальной системы в виде совокупности блоков и связей между ними [51].

База знаний представляет собой совокупность сред, хранящих знания различных типов. Рассмотрим кратко их назначение.

Рис. 5.19. Общая структура интеллектуальной системы

База фактов (данных) хранит конкретные данные, а база пра­вил — элементарные выражения, называемые в теории искусствен­ного интеллекта продукциями. База процедур содержит прикладные программы, с помощью которых выполняются все необходимые преобразования и вычисления. База закономерностей включает раз­личные сведения, относящиеся к особенностям той среды, в кото­рой действует система. База метазнаний (база знаний о себе) содер­жит описание самой системы и способов ее функционирования: сведения о том, как внутри системы представляются единицы ин­формации различного типа, как взаимодействуют различные ком­поненты системы, как было получено решение задачи.

База целей содержит целевые структуры, называемые сценария­ми, позволяющие организовать процессы движения от исходных фактов, правил, процедур к достижению той цели, которая посту­пила в систему от пользователя, либо была сформулирована самой системой в процессе ее деятельности в проблемной среде.

Управление всеми базами, входящими в базу знаний, и органи­зацию их взаимодействия осуществляет система управления базами знаний. С ее же помощью реализуются связи баз знаний с внешней средой. Таким образом, машина базы знаний осуществляет первую функцию интеллектуальной системы.

Выполнение второй функции обеспечивает часть интеллекту­альной системы, называемая решателем и состоящая из ряда бло­ков, управляемых системой управления решателя. Часть из блоков реализует логический вывод. Блок дедуктивного вывода осуществ­ляет в решателе дедуктивные рассуждения, с помощью которых из закономерностей из базы знаний, фактов из базы фактов и правил из базы правил выводятся новые факты. Кроме этого данный блок реализует эвристические процедуры поиска решений задач, как по­иск путей решения задачи по сценариям при заданной конечной цели. Для реализации рассуждений, которые не носят дедуктивно­го характера, т.е. для поиска по аналогии, по прецеденту и пр., ис­пользуются блоки индуктивного и правдоподобного выводов. Блок пла­нирования используется в задачах планирования решений совмест­но с блоком дедуктивного вывода. Назначение блока функциональных преобразований состоит в решении задач расчетно-логического и алгоритмического типов.

Третья функция — функция общения — реализуется как с по­мощью компоненты естественно-языкового интерфейса, так и с помощью рецепторов и эффекторов, которые осуществляют так называемое невербальное общение и используются в интеллекту­альных роботах.

В зависимости от набора компонентов, реализующих рассмот­ренные функции, можно выделить следующие основные разновид­ности интеллектуальных систем:

• интеллектуальные информационно-поисковые системы;

• экспертные системы (ЭС);

• расчетно-логические системы;

• гибридные экспертные системы.

Интеллектуальные информационно-поисковые системы являются системами взаимодействия с проблемно-ориентированными (фак­тографическими) базами данных на естественном, точнее ограни­ченном как грамматически, так и лексически (профессиональной лексикой) естественном языке (языке деловой прозы). Для них ха­рактерно использование, помимо базы знаний, реализующей се­мантическую модель представления знаний о проблемной области, лингвистического процессора.

Экспертные системы являются одним из бурно развивающихся классов интеллектуальных систем. Данные системы в первую оче­редь стали развиваться в математически слабоформализованных областях науки и техники, таких как медицина, геология, биология и др. Для них характерна аккумуляция в системе знаний и правил рассуждений опытных специалистов в данной предметной области, а также наличие специальной системы объяснений.

Расчетно-логические системы позволяют решать управленческие и проектные задачи по их постановкам (описаниям) и исходным данным вне зависимости от сложности математических моделей этих задач. При этом конечному пользователю предоставляется возможность контролировать в режиме диалога все стадии вычис­лительного процесса. В общем случае, по описанию проблемы на языке предметной области обеспечивается автоматическое по­строение математической модели и автоматический синтез рабочих программ при формулировке функциональных задач из данной предметной области. Эти свойства реализуются благодаря наличию базы знаний в виде функциональной семантической сети и компо­нентов дедуктивного вывода и планирования.

В последнее время в специальный класс выделяются гибридные экспертные системы. Указанные системы должны вобрать в себя лучшие черты как экспертных, так и расчетно-логических и ин­формационно-поисковых систем. Разработки в области гибридных экспертных систем находятся на начальном этапе.

Наиболее значительные успехи в настоящее время достигнуты в таком классе интеллектуальных систем, как экспертные системы ОС).

ЭС называют вычислительную систему использования знаний эксперта и процедур логического вывода для решения проблем, ко­торые требуют проведения экспертизы и позволяют дать объясне­ние полученным результатам.

ЭС обладает способностями к накоплению знаний, выдаче ре­комендаций и объяснению полученных результатов, возможностя­ми модификации правил, подсказки пропущенных экспертом ус­ловий, управления целью или данными. ЭС отличают следующие характеристики: интеллектуальность, простота общения с компью­тером, возможность наращивания модулей, интеграция неоднород­ных данных, способность разрешения многокритериальных задач при учете предпочтений лиц, принимающих решения (ЛПР), рабо­та в реальном времени, документальность, конфиденциальность, унифицированная форма знаний, независимость механизма логи­ческого вывода, способность объяснения результатов.

В настоящее время можно выделить следующие основные сфе­ры применения ЭС: диагностика, планирование, имитационное моделирование, предпроектное обследование предприятий, офис­ная деятельность, а также некоторые другие.

Практика показывает, что по сравнению со статическими ЭС гораздо больший эффект дают ЭС, используемые в динамических процессах (экспертные системы реального времени — ЭСРВ), ко­торые занимают около 70% рынка таких систем и находят все более широкое применение в управлении непрерывными процессами (химические производства, цементная промышленность, атомная энергетика и т.д.).

По сравнению с общей схемой (см. рис. 5.19) в ЭС часто отсут­ствует возможность общения с системой на близком к естественно­му языке или с использованием визуальных средств, поскольку взаимодействие с такой системой осуществляется с использовани­ем языка типа ПРОЛОГ или с применением ПРОЛОГ-идей.

Важное место в теории искусственного интеллекта (ИИ) зани­мает проблема представления знаний. В настоящее время выделя­ют следующие основные типы моделей представления знаний:

1. Семантические сети, в том числе функциональные;

2. Фреймы и сети фреймов;

3. Продукционные модели.

Семантические сетиопределяют как граф общего вида, в кото­ром можно выделить множество вершин и ребер. Каждая вершина графа представляет некоторое понятие, а дуга — отношение между парой понятий. Метка и направление дуги конкретизируют семан­тику. Метки вершин семантической нагрузки не несут, а использу­ются как справочная информация.

Различные разновидности семантических сетей обладают раз­личной семантической мощностью, следовательно, можно описать одну и ту же предметную область более компактно или громоздко.

Фреймомназывают структуру данных для представления и опи­сания стереотипных объектов, событий или ситуаций. Фреймовая модель представления знаний состоит из двух частей:

• набора фреймов, составляющих библиотеку внутри представ­ляемых знаний;

• механизмов их преобразования, связывания и т.д. Существует два типа фреймов:

• образец (прототип) — интенсиональное описание некоторого множества экземпляров;

• экземпляр (пример) — экстенсиональное представление фрейм-образца.

В общем виде фрейм может быть представлен следующим кор­тежем:

<ИФ, (ИС, ЗС, ПП), ..., (ИС, ЗС, ПП)>,

где ИФ — имя фрейма; ИС — имя слота; ЗС — значение слота; ПП — имя присоединенной процедуры (необязательный пара­метр).

Слоты — это некоторые незаполненные подструктуры фрейма, заполнение которых приводит к тому, что данный фрейм ставится в соответствие некоторой ситуации, явлению или объекту.

В качестве данных фрейм может содержать обращения к про­цедурам (так называемые присоединенные процедуры). Выделяют два вида процедур: процедуры-демоны и процедуры-слуги. Проце­дуры-демоны активизируются при каждой попытке добавления или удаления данных из слота. Процедуры-слуги активизируются толь­ко при выполнении условий, определенных пользователем при создании фрейма.

Продукционные модели — это набор правил вида «усло­вия — действие», где условиями являются утверждения о содержи­мом базы данных, а действия представляют собой процедуры, ко­торые могут изменять содержимое базы данных.

Формально продукция определяется следующим образом:

(i); Q; Р,С;А→ В; N,

где (0 — имя продукции (правила); Q — сфера применения прави­ла; Р — предусловие (например, приоритетность); С—предикат (отношение); А-> В — ядро; N— постусловия (изменения, вноси­мые в систему правил).

Практически продукции строятся по схеме «ЕСЛИ» (причина или иначе посылка), «ТО» (следствие или иначе цель правила).

Полученные в результате срабатывания продукций новые зна­ния могут использоваться в следующих целях:

• понимание и интерпретация фактов и правил с использова­нием продукций, фреймов, семантических цепей;

• решение задач с помощью моделирования;

• идентификация источника данных, причин несовпадений но­вых знаний со старыми, получение метазнаний;

• составление вопросов к системе;

• усвоение новых знаний, устранение противоречий, система­тизация избыточных данных.

Процесс рассмотрения компьютером набора правил (выполне­ние программы) называют консультацией. Ее наиболее удобная для пользователя форма — дружественный диалог с компьютером. Ин­терфейс может быть в форме меню, на языке команд и на естест­венном языке.

Диалог может быть построен на системе вопросов, задаваемых пользователем, компьютером, или фактов — данных, хранящихся в базе данных. Возможен смешанный вариант, когда в базе данных недостаточно фактов.

При прямом поиске пользователь может задавать две группы вопросов, на которые, компьютер дает объяснения:

1) КАК получено решение. При этом компьютер должен выдать на экран трассу в виде ссылок на использованные правила;

2) ПОЧЕМУ компьютер задал какой-то вопрос. При этом на экран выдается своеобразная трасса, которую компьютер хотел бы использовать для вывода после получения ответа на задаваемый вопрос. Вопрос ПОЧЕМУ может быть задан как в процессе кон­сультации, так и после выполнения программы.

Специфичен алгоритм поиска, реализуемый логическими язы­ками: он является фактически последовательным перебором по де­реву сверху-вниз-слева-направо.

Выделим следующие характеристики ЭС: назначение, проблем­ная область, глубина анализа проблемной области, тип используе­мых методов и знаний, класс системы, стадия существования, ин­струментальные средства.

Назначение определяется следующей совокупностью парамет­ров: цель создания экспертной системы — для обучения специали­стов, для решения задач, для автоматизации рутинных работ, для тиражирования знаний экспертов и т.п.; основной пользователь — не специалист в области экспертизы, специалист, учащийся.

Проблемная область может быть определена совокупностью па­раметров предметной области и задач, решаемых в ней. Каждый из параметров можно рассматривать как с точки зрения конечного пользователя, так и разработчика экспертной системы.

С точки зрения пользователя предметную область можно харак­теризовать ее описанием в терминах пользователя, включающим наименование области, перечень и взаимоотношения подобластей и т.п., а задачи, решаемые существующими экспертными система­ми, — их типом. Обычно выделяют следующие типы задач:

• интерпретация символов или сигналов — составление смы­слового описания по входным данным;

• диагностика — определение неисправностей (заболеваний) по симптомам;

• предсказание — определение последствий наблюдаемых си­туаций;

• конструирование — разработка объекта с заданными свойст­вами при соблюдении установленных ограничений;

• планирование — определение последовательности действий, приводящих к желаемому состоянию объекта;

• слежение — наблюдение за изменяющимся состоянием объ­екта и сравнение его показателей с установленными или желаемы­ми;

• управление — воздействие на объект для достижения желае­мого поведения.

С точки зрения разработчика целесообразно выделять статиче­ские и динамические предметные области. Предметная область на­зывается статической, если описывающие ее исходные данные не изменяются во времени (точнее, рассматриваются как не изменяю­щиеся за время решения задачи). Статичность области означает не­изменность описывающих ее исходных данных. При этом произ­водные данные (выводимые из исходных) могут и появляться зано­во, и изменяться (не изменяя, однако, исходных данных). Если исходные данные, описывающие предметную область, изменяются за время решения задачи, то предметную область называют динами­ческой. Кроме того, предметные области можно характеризовать следующими аспектами: числом и сложностью сущностей, их атри­бутов и значений атрибутов; связностью сущностей и их атрибутов; полнотой знаний; точностью знаний (знания точны или правдопо­добны: правдоподобность знаний представляется некоторым чис­лом или высказыванием).

Решаемые задачи, с точки зрения разработчика экспертной сис­темы, также можно разделить на статические и динамические. Бу­дем говорить, что ЭС решает динамическую или статическую зада­чу, если процесс ее решения изменяет или не изменяет исходные данные о текущем состоянии предметной области.

В подавляющем большинстве существующие ЭС исходят из предположения о статичности предметной области и решают ста­тические задачи. Будем называть такие ЭС статическими. ЭС, ко­торые имеют дело с динамическими предметными областями и ре­шают статические или динамические задачи, будем называть дина­мическими.

Решаемые задачи, кроме того, могут характеризоваться сле­дующими аспектами: числом и сложностью правил, используе­мых в задаче, их связностью, пространством поиска, числом ак­тивных агентов, изменяющих предметную область, классом ре­шаемых задач.

По степени сложности выделяют простые и сложные правила. К сложным относятся правила, текст записи которых на естествен­ном языке занимает 1/3 страницы и больше. Правила, текст записи которых занимает менее 1/3 страницы, относят к простым.

Можно сказать, что степень сложности задачи определяется не просто общим числом правил данной задачи, а числом правил в ее наиболее связной независимой подзадаче.

Пространство поиска может быть определено по крайней мере тремя факторами: размером, глубиной и шириной. Размер про­странства поиска дает обобщенную характеристику сложности за­дачи. Выделяют малые (до 3,6 • 10⁶ состояний) и большие (свыше 3,6 • 10⁶ состояний) пространства поиска. Глубина пространства поиска характеризуется средним числом последовательно приме­няемых правил, преобразующих исходные данные в конечный результат, ширина пространства — средним числом правил, при­годных к выполнению в текущем состоянии.

Класс задач определяет методы, используемые ЭС для их реше­ния. Данный аспект в ЭС принимает следующие значения: задачи расширения, доопределения, преобразования. Задачи доопределе­ния и расширения являются статическими, а задачи преобразова­ния — динамическими.

К задачам расширения относятся такие, в процессе решения которых осуществляется только увеличение информации о пред­метной области, не приводящее ни к изменению ранее выведенных данных, ни к другой области задач.

К задачам доопределения относятся задачи с неполной или не­точной информацией о реальной предметной области, цель реше­ния которых — выбор из множества альтернативных текущих со­стояний предметной области того, которое адекватно исходным данным. В случае неточных данных альтернативные текущие со­стояния возникают как результат ненадежности данных и правил, что приводит к многообразию различных доступных выводов из одних и тех же исходных данных. В случае неполных данных аль­тернативные состояния являются результатом доопределения.

Большинство существующих ЭС решают задачи расширения, в которых нет ни изменений предметной области, ни активных аген­тов, преобразующих ее. Подобное ограничение неприемлемо при работе в динамических областях.

По степени сложности структуры ЭС делят на поверхностные и глубинные. Поверхностные ЭС представляют знания об области экспертизы в виде правил (условие—действие). Условие каждого правила определяет образец некоторой ситуации, при соблюдении которой правило может быть выполнено. Поиск решения состоит в выполнении тех правил, образцы которых сопоставляются с теку­щими данными (текущей ситуацией в РП). При этом предполагает­ся, что в процессе поиска решения последовательность формируе­мых таким образом ситуаций не оборвется до получения решения, т.е. не возникнет неизвестной ситуации, которая не сопоставится ни с одним правилом. Глубинные ЭС, кроме возможностей по­верхностных систем, обладают способностью при возникновении неизвестной ситуации определять с помощью некоторых общих принципов, справедливых для области экспертизы, какие действия следует выполнить.

По типу используемых методов и знаний ЭС делят на традици­онные и гибридные. Традиционные ЭС используют в основном не­формализованные методы инженерии знаний и неформализован­ные знания, полученные от экспертов. Гибридные ЭС используют

методы инженерии знаний, формализованные методы, а также данные традиционного программирования и математики.

Совокупность рассматриваемых выше характеристик позволяет определить особенности конкретной ЭС. Однако пользователи за­частую стремятся охарактеризовать ЭС каким-либо одним обоб­щенным параметром. В этой связи говорят о поколениях ЭС. В на­стоящее время выделяют ЭС первого и второго поколений. Одна­ко, по-видимому, следует говорить о трех поколениях ЭС. К перво­му поколению следует отнести статические поверхностные ЭС, ко второму — статические глубинные ЭС (иногда ко второму поколе­нию относят гибридные ЭС), а к третьему — динамические ЭС (ве­роятно, они, как правило, будут глубинными и гибридными).

В последнее время выделяют два больших класса ЭС (сущест­венно отличающихся по технологии их проектирования), которые мы условно называем простыми и сложными ЭС. К простым мож­но отнести поверхностную и традиционную (реже гибридную) ЭС, выполненные на персональной ЭВМ и содержащие от 200 до 1000 правил. К сложным ЭС относятся глубинная и гибридная ЭС, вы­полненные либо на символьной, либо на мощной универсальной ЭВМ, либо на интеллектуальной рабочей станции, содержащие от 1500 до 10 000 правил.

Стадия существования характеризует степень проработанности и отлаженности ЭС. Обычно выделяют следующие стадии: демон­страционный прототип, исследовательский прототип, действую­щий прототип, промышленная система, коммерческая система.

Демонстрационным прототипом называют ЭС, которая решает часть требуемых задач, демонстрируя жизнеспособность метода ин­женерии знаний. При наличии развитых интеллектуальных систем для разработки демонстрационного прототипа требуется примерно 1—2 мес. Демонстрационный прототип работает, имея 50—100 пра­вил. Развитие демонстрационного прототипа приводит к исследо­вательскому прототипу.

Исследовательским прототипом называют систему, которая ре­шает все требуемые задачи, но неустойчива в работе и не полно­стью проверена. Исследовательский прототип обычно имеет в базе знаний 200 — 500 правил, описывающих проблемную область.

Действующий прототип надежно решает все задачи, но для ре­шения сложных задач может потребоваться чрезмерно много вре­мени и (или) огромная память. Число правил в такой системе рав­но 500-1000.

Экспертная система, достигшая промышленной стадии, обеспе­чивает высокое качество решения всех задач при минимуме време­ни и памяти. Обычно процесс преобразования действующего про­тотипа в промышленную систему состоит в расширении числа пра­вил до 1000—1500 и переписывании программ с использованием более эффективных интеллектуальных систем.

Обобщение задач, решаемых на стадии промышленной систе­мы, позволяет перейти к стадии коммерческой системы, пригодной не только для собственного использования, но и для продажи раз­личным потребителям. В базе знаний такой системы 1500—3000 правил.

Диапазон возможных средств построения ЭС простирается от языков высокого уровня до средств поддержки низкого уровня. Разделим инструментальные средства построения ЭС на четыре ос­новных категории:

• языки программирования;

• языки инженерии знаний;

• вспомогательные средства;

• средства поддержки.

Языки программирования, применяемые для работы в области ЭС, — это, как правило, или проблемно-ориентированные языки (Фортран, Паскаль и т.д.), или языки обработки текстов (Лисп, Пролог). Проблемно-ориентированные языки разработаны для специального класса задач. Например, Фортран удобен для выпол­нения алгебраических вычислений и чаще всего применяется в на­учных, математических и статистических вычислениях. Языки об­работки текстов разработаны для прикладных областей искусствен­ного интеллекта. Например, Лисп имеет механизмы для манипули­рования символами в форме списковых структур. Список является просто набором элементов, заключенных в скобки, где каждый элемент может быть или символом, или другим списком. Списко­вые структуры являются удобным строительным материалом для представления сложных понятий. В языке Лисп все отношения ме­жду объектами описываются через списки, содержащие отношения объекта с другими объектами.

Добавим, что Лисп существует в разных версиях. Например, Интерлисп и Маклисп имеют различные средства поддержки (ре­дакторы и средства отладки), но одинаковый синтаксис.

Языки программирования, подобные Лиспу, представляют мак­симальную гибкость разработчику ЭС, но никак не подсказывают ему, как представлять знания или как построить механизм доступа к базе знаний. С другой стороны, языки инженерии знаний, такие как KAS, обладают меньшей гибкостью, поскольку разработчик системы должен пользоваться схемой управления, определяемой встроенным в язык механизмом вывода. Эти языки, однако, обес­печивают некоторое руководство и готовые механизмы вывода для управления и использования базы знаний.

Язык инженерии знаний является искусным инструментальным средством разработки ЭС, погруженным в обширное поддержи­вающее окружение. Языки инженерии знаний можно разделить на скелетные и универсальные. Скелетный язык инженерии знаний является просто «раздетой» экспертной системой, т.е. ЭС без спе­циальных предметных знаний, включающей в себя только меха­низм вывода и средства поддержки.

Универсальный язык инженерии знаний может быть применим к проблемам разного типа в различных прикладных областях. Он обеспечивает более широкие возможности управления поиском данных и доступом к ним, чем скелетные системы, но может ока­заться, что его труднее использовать. Разные универсальные языки значительно варьируют в смысле общности и гибкости.

Вспомогательные средства построения ЭС состоят из программ, оказывающих помощь в приобретении знаний у эксперта, и пред­ставлении их, и программ, которые помогают разрабатывать проек­ты экспертных систем.

Средства поддержки — это просто пакеты программ, которые прилагаются к средству построения ЭС, чтобы упростить его ис­пользование, облегчить диалог и сделать его более эффективным. Это — средства отладки, ввода-вывода, объяснения, редакторы баз знаний.

Интеллектуальные системы расчетно-логического типа пред­полагают организацию базы знаний в виде функциональной се­мантической сети. Рассмотрим кратко алгоритмы поиска реше­ний на функциональной семантической сети (ФСС). Первой за­дачей, которая должна быть решена, является выбор представле­ния, в котором реализуются процедуры поиска решений и орга­низации вычислительного процесса. При этом целесообразно вы­брать представление в пространстве состояний. В данном пред­ставлении задачу поиска решений можно формально записать следующим образом:

T=<S, S_o, S_k, F>,

где So — начальное состояние; 5* — конечное состояние; S — мно­жество промежуточных состояний; F= {F¹_i} — множество операто­ров, которые переводят процесс поиска из одного состояния в другoe. Каждому математическому отношению F_i, поставим в соответ­ствие список (кортеж) параметров, которые в него входят. Таким образом, рассматриваемый алгоритм предусматривает работу со списочными структурами данных.

При поиске решений на ФСС в качестве множества операторов выступают разрешения математических отношений F^ŋ_i реализуе­мые в виде отдельных программных модулей, совокупность кото­рых для данной проблемной области составляет локальную (может быть, одну из многих) базу процедур. Здесь верхний индекс ŋ ука­зывает на параметр, который в данном разрешении выступает как функция, а нижний индекс i — на номер соответствующего мате­матического отношения в совокупности математических отноше­ний. Задание исходных даннных определяет начальное состояние So, а искомое решение — конечное (целевое) состояние. Выбор на каждом очередном шаге некоторого конкретного оператора осуще­ствляется в соответствии с некоторыми правилами, которые для данной проблемной области составляют локальную базу правил.

Первый алгоритм реализует стратегию обратной волны, начи­ная поиск решения задачи с целевого состояния, т.е. от искомого параметра. Суть алгоритма состоит в следующем. В соответствии с алгоритмом поиска решений Нильсона образуем следующие спи­ски: S₁ — список параметров, которые должны быть рассчитаны; S₂ — список параметров, для которых выбраны разрешения для расчета. Дополнительно образуем еще два списка: Sз — список раз­решений, включаемых в план решения задачи,и S₄ — список оце­нок сложности реализации разрешения, выбранного в план реше­ния задачи. Данные оценки позволяют при наличии нескольких планов выбрать наилучший, т.е. реализовать классическую поста­новку задачи принятия решений.

Во втором алгоритме реализуется стратегия прямой волны, т.е. планирование идет от исходных данных к целевому параметру.

Многофункциональность разрабатываемых систем обработки интеллектуальной информации может быть обеспечена за счет со­временного подхода к хранению и использованию знаний проекти­ровщиков.

Основной принцип данного подхода заключается в том, что за­дачи решаются на основе не просто данных, а знаний. Последние являются существенно более мощными и позволяют решать на их основе сложные задачи.

Традиционные ЭС имеют лишь один механизм поддержки при­нятия решений — логический вывод и лишь одно средство представления знаний — правила. В последнее время активно развивает­ся новое поколение ЭС — гибридные экспертные системы (ГЭС).

Для использования ГЭС в качестве средства поддержки принятия управленческих решений необходимо предусмотреть возможность учета характеристик лица, принимающего решение (ЛПР). В этом случае в экспертной системе должна присутствовать гибкая схема ло­гического вывода, а поддержка принятия решений должна осуществ­ляться в соответствии с конкретной аналитической моделью пользо­вателя. На рис. 5.20 приведена упрощенная архитектура ГЭС.

Данная архитектура не претендует на полноту и характеризует отличие ГЭС от традиционных ЭС.

Эксперт соответствующей предметной области должен иметь возможность задавать оценки объектов, выявленные в результате его взаимодействия с подсистемой обработки экспертных знаний. Полученные таким образом экспертные знания будут храниться в базе экспертных знаний.

Одним из основных этапов решения задачи многокритериаль­ного выбора является настройка модели на систему предпочтений ЛПР. Она выявляется в результате взаимодействия ЛПР и подсис­темы выявления предпочтений ЛПР. Найденные таким образом ха­рактеристики ЛПР сохраняются в базе характеристик ЛПР.

Банк моделей должен содержать широкий набор решающих пра­вил, выражающих различные стратегии поведения пользователя.

Рис. 5.20. Упрощенная архитектура ГЭС

Контрольные вопросы

1. Какие существуют типы базовых информационных технологий?

2. Каковы характерные особенности мультимедиа-технологий?

3. Каковы основные компоненты мультимедиа-среды?

4. Какие стандарты используются при создании мультимедиа-продуктов?

5. Какие задачи решают геоинформационные технологии?

6. Какие существуют типы геоинформационных систем?

7. Какие классы данных используются в геоинформационных системах?

8. Какие модели используются для представления данных в геоинформацион­ных технологиях?

9. Каковы принципы построения цифровой карты?

10. Какие виды обработки информации используют современные геоинформа­ционные системы?

11. Какие существуют виды информационных угроз?

12. Какие существуют способы защиты информации от нарушений работоспо­собности компьютерных систем?

13. Какие существуют виды преднамеренных информационных угроз?

14. Каковы основные способы запрещения несанкционированного доступа к ресурсам вычислительных систем?

15. Что такое идентификация и аутентификация?

16. Какие существуют способы разграничения доступа к информационным ре­сурсам?

17. Что такое криптография и каковы ее основные задачи?

18. В чем отличие симметрических криптографических систем от ассиметрических?

19. Что понимают под остаточной информацией и каковы угрозы доступа к ней?

20. Какие существуют уровни защиты информации от компьютерных вирусов?

21. Каковы цели и способы защиты информации при сетевом обмене?

22. Что такое CASE-технология и какой подход к проектированию информаци­онных систем она использует?

23. Какие компоненты включает в себя стандарт ОМА для создания распреде­ленных объектных систем?

24. Какие основные блоки содержит объектно-ориентированное CASE-средство?

25. Каковы основные критерии оценки и выбора CASE-средств?

26. Каковы разновидности архитектур компьютерных сетей?

27. Какие используются модели архитектуры «клиент—сервер»?

28. В чем отличие двухзвенной архитектуры «клиент—сервер» от трехзвенной?

29. Каковы особенности архитектуры «клиент—сервер», основанной на Web-технологии?

30. Каковы особенности Интернет-технологии?

31. Каковы основные компоненты Интернет-технологии?

32. Что такое браузер и какие его типы используются на практике?

33. Какие виды подключений используются для выхода в Интернет?

34. Какие протоколы используются для передачи данных в Интернете?

35. Каковы основные принципы и нормы работы Интернете?

36. Какие функции реализует интеллектуальная система?

37. Какова структура интеллектуальной системы?

38. Какие существуют разновидности интеллектуальных систем?

39. Каковы основные свойства информационно-поисковых систем?

40. Каковы основные свойства экспертных систем?

41. Каковы основные свойства расчетно-логических систем?

42. Каковы основные свойства гибридных экспертных систем?

43. Каковы типы моделей представления знаний в искусственном интеллекте?

44. В чем отличие фреймовых моделей от продукционных?

45. На какие типы предметных областей ориентированы экспертные системы?

46. Какие методы используются экспертными системами для решения задач?

47. В чем отличие поверхностных экспертных систем от глубинных?

48. По совокупности каких характеристик определяют особенности конкретной экспертной системы?

49. Что называют демонстрационным прототипом экспертной системы?

50. Какие инструментальные средства используются для построения экспертных систем?

51. Какие алгоритмы поиска решений используются в интеллектуальных систе­мах расчетно-логического типа?

52. Каковы особенности гибридной экспертной системы?

Глава 6

Не нашли, что искали? Воспользуйтесь поиском по сайту: