Искусственный интеллект – это одно из направлений информатики, цель которого – разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на ограниченном подмножестве естественного языка.

История искусственных систем

400 г. до н.э. Греческий философ Акрит	Сконструировал летающих орла и голубя, а также ползающую улитку, которых с большим трудом можно было отличить от настоящих.
Времена фараона Птолемея II Филадельфа (III в. до н.э.)	По свидетельству анонимного древнеегипетского папируса, был создан первый механический человек.
Гомеровская «Илиада» содержит такие весьма информативные строки:	Навстречу ему золотые служанки вмиг подбежали, Подобные девам живым, у которых Разум в груди заключен, и голос, и сила, Которых самым различным трудам обучили бессмертные боги.
Аристотель	Упоминает о статуе Венеры, передвигающейся благодаря какому-то секретному устройству, помещенному внутри нее и приводимому в действие с помощью ртути.
Аристотель, Платон, Сократ	Изучение природы знаний и природы размышлений.
Раймонд Луллий (XIII век)	Механическая машина для решения различных задач, на основе разработанной им всеобщей классификации понятий.
Император Священной Римской империи Карл V	Обожал всякого рода механические игрушки. Отрекшись от престола, значительную часть своего досуга он проводил созерцая, как миниатюрные конные и пешие рыцари маршировали и сражались между собой.
Швейцарские часовщики Пьер-Жак Дро и его сын Анри XXVIII в.	Изготовлены андроиды. Механический писец с напускным важным видом макал гусиное перо в чернильницу и каллиграфическим почерком выводил длинную приветственную фразу, двигая при этом головой и любовно оглядывая написанное. Закончив работу, он посыпал, как было тогда принято, бумажку песком и встряхивал ее. Механические рисовальщик и музыкантша, пользовавшиеся огромным успехом на парижской выставке 1774 года.
Иван Кулибин	Замысловатые часы с движущимися фигурками людей и животных.
Конец XIX века, США, Дж. Мор	Двухметровый железный андроид. Приводился в движение скрытой внутри паровой машиной. Мог переставлять ноги, двигаться по кругу со скоростью 7–8 км/ч, пугая окружающих горячими клубами пара изо рта.
1939 год. Всемирная выставка в Нью-Йорке	Экспонируется советский шагающий робот «Электро» с верным маленьким помощником – роботом-собакой «Снарко». «Хозяин» при этом любезно беседовал с многочисленными посетителями, а «собака» лаяла и служила.
1930–1940 гг.	Появились советские роботы: «Телевокс», «Эрик», «Альфа». Они умели двигать руками, отвечать на вопросы, садиться и вставать.

Методические указания:

При изучении первого вопроса темы:

· читать: Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике / 3-изд. доп. М.: СИНТЕГ, 2002. – 306 с. (главу 1 стр. 5–29);

· изучить дополнительные материалы: Попов Э.В., Кисель Б.Б., Фоминых И.Б., Шапот М.В. Статические и динамические экспертные системы. М.: Финансы и статистика, 1996 – 320 с.

Выполнить практическое задание №1.

Теоретический материал вопроса 2

В настоящее время в качестве основных направлений исследований в области ИИ выделяются следующие:

Представление знаний и разработка систем, основанных на знаниях.

Оно связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем (ЭС). Включает в себя модели и методы извлечения и структурирования знаний и сливается с инженерией знаний.

Игры и творчество.

В основе лежит один из ранних подходов – лабиринтная модель плюс эвристики.

Разработка естественноязыковых интерфейсов и машинный перевод.

В 50-х гг. создана первая программа в этой области – переводчик с английского языка на русский (пословный перевод). В настоящее время используется более сложная модель, включающая анализ и синтез естественноязыковых сообщений, которая состоит из нескольких блоков.

Распознавание образов.

Каждому объекту ставится в соответствие матрица признаков, по которой происходит его распознавание. Близко к машинному обучению, тесно связано с нейрокибернетикой.

Новые архитектуры компьютеров.

Занимается разработкой новых аппаратных решений и архитектур, направленных на обработку символьных и логических данных.

Интеллектуальные роботы.

Роботы это электромеханические устройства, предназначенные для автоматизации человеческого труда.

Выделяется несколько поколений роботов:

1. Роботы с жесткой схемой управления.

2. Адаптивные роботы с сенсорными устройствами.

3. Самоорганизующиеся, или интеллектуальные, роботы.

Специальное программное обеспечение.

Разрабатываются специальные языки для решения задач невычислительного плана. Эти языки ориентированы на символьную обработку информации – LISP, PROLOG, SMALLTALK, РЕФАЛ и др. Создаются пакеты прикладных программ, ориентированные на промышленную разработку интеллектуальных систем, или программные инструментарии искусственного интеллекта, например КЕЕ, ARTS.

Обучение и самообучение.

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

Эволюционное моделирование.

В общем виде эволюционный алгоритм – это оптимизационный метод, базирующийся на эволюции популяции «особей». Каждая особь характеризуется приспособленностью – многомерной функцией ее генов. Задача оптимизации состоит в максимизации функции приспособленности. В процессе эволюции в результате отбора, рекомбинаций и мутаций геномов особей происходит поиск особей с высокими приспособленностями.

Многоагентные системы.

Теория агентов сформировалась на основе документов, полученных в рамках работ по распределенному решению задач и распределенному ИИ. Но лишь с начала 1990 годов работы в этой области выделились в самостоятельную область исследований и приложений, претендующую на одно из ведущих мест в сфере интеллектуальных информационных технологий.

Системы управления знаниями.

Управление знаниями можно рассматривать и как новое направление в менеджменте, и как направление в информатике для поддержки процессов создания, распространения, обработки и использования знаний внутри предприятия.

Реализуется управление знаниями как совокупность процессов внутри корпорации для:

- систематического приобретения;

- синтеза;

- обмена;

- использования знаний.

Управление знаниями – это деятельность, направленная на сохранение опыта корпорации и правильное применение накопленных знаний. Знания приобретают разные формы, и поэтому ими становится сложнее управлять.

Цель управления знаниями состоит в помощи людям (элементам-решателям) для лучшей совместной работы с использованием все возрастающих объемов информации и управления ими.

Методические указания:

При изучении второго вопроса темы:

· читать: Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике / 3-изд. доп. М.: СИНТЕГ, 2002. – 306 с. (стр. 27–41);

· Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике М.: МЭСИ, 1998. – 187 с. (главу 1);

Выполнить практическое задание №1.

Тема 2. Основы ИИ. Интеллектуальная задача

Содержание темы (вопросы темы):

Вопрос 1. Определение задачи.

Вопрос 2. Интеллектуальная задача.

Цели и задачи изучения темы: приобретение знаний по представлению и классификации задач, формализации интеллектуальной задачи.

По изучении темы должны быть приобретены следующие:

· Знания классификации задач по различным признакам, представления интеллектуальной задачи;

· Умения классифицировать задачи, формализовать интеллектуальную задачу;

· Навыки представления интеллектуальной задачи.

Изучая тему, необходимо акцентировать внимание на следующих понятиях:

· загадка;

· задача;

· проблема;

· постановка задачи;

· интеллектуальная задача.

Теоретический материал вопроса 1

Некоторые определения и высказывания об интеллекте.

Тест Тьюринга: если поведение машины, отвечающей на вопросы, невозможно отличить от поведения человека, отвечающего на аналогичные вопросы, то она обладает интеллектом.

Нильсон: «… цель работ по ИИ состоит в создании машин, выполняющих такие действия, для которых обычно требуется интеллект человека».

А.В. Тимофеев: «Интеллект – способность кибернетической системы решать интеллектуальные задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам».

Для принятия такого определения необходимо ответить на вопрос: «Что такое интеллектуальная задача?».

В реальном мире существует множество задач и проблем. Усилия многих специалистов в области психологии и педагогики, философии и методологии науки, теории алгоритмов, системного анализа и искусственного интеллекта не привели к строгому определению понятий задача и проблема.

В психологии существует несколько подходов к определению понятия «задача». Леонтьев А.Н. определяет задачу через ситуацию, требующую от субъекта некоторого действия.

Костюк Г.С. под задачей понимает «ситуацию, требующую от субъекта некоторого действия, направленного на нахождение неизвестного на основе использования его связей с известным».

Ньюэлл А. понятие «задача» определяет как ситуацию, требующую от субъекта «некоторого действия, направленного на нахождение неизвестного на основе использования его связей с известным в условиях, когда субъект не обладает способом (алгоритмом) этого действия».

Загадка предполагает изображение или выражение, нуждающееся в разгадке, которая в принципе существует, но не известна тому, кто разгадывает. Понятие «загадка» близко к понятию «задача»: они в принципе разрешимы и для этого имеются необходимые средства.

Задача имеет языковые средства, с помощью которых можно ясно и определенно сформулировать, что дано, что требуется получить, а также имеются разнообразные средства, с помощью которых можно перейти от того, что дано, к тому, что требуется получить.

Проблема в принципе разрешима, но средства для ее выявления, формулирования и решения необходимо создать. В проблеме не только не сформулированы исходные позиции – «дано и требуется получить», но даже нет языковых средств, с помощью которых это можно сформулировать. Соответственно отсутствуют или участникам неизвестны средства для разрешения проблемы. Причем неизвестен и сам состав участников. Все это требуется найти или создать в процессе выявления, формулирования и разрешения проблемы.

Различают хорошо определенные и плохо определенные задачи.

Задача называется хорошо определенной, если решающий ее располагает каким-либо способом узнать (или имеет хотя бы принципиальную возможность узнать), когда он решил данную задачу.

В повседневной жизни большинство задач является плохо определенными: при выборе некоторой последовательности действий не всегда есть уверенность, что они окажутся наиболее эффективными в данных обстоятельствах. Даже выбор хода в шахматах является (на данном этапе) плохо определенной задачей.

Важным моментом для области решения задач является представление задачи.

Постановка задачи. Поставить задачу означает, прежде всего, понять условия задачи (т.е. удалить неполноту, избыточность, неоднородность), или, другими словами, найти соответствующее представление.

Одним из часто используемых типов представления является графическое.

Задача в замкнутой форме. В наиболее общем виде условия задачи математически могут быть записаны следующим образом:

Найти в заданном множестве Х точки х, удовлетворяющие множеству заданных ограничений К(х).

Два основных варианта представления задачи в замкнутой форме.

1. Пространство содержит исходное состояние S0, заданы конечное состояние Sk и конечный перечень операторов Оab, которые позволяют перейти от одного состояния Sa к другому состоянию Sb. Необходимо найти путь от S0 к Sk.

2. Речь идет о классической формулировке задачи на доказательство в математике:

Получить С(х), исходя из Н(х).

Пример.

Показать, что для всех n, n Î N

Этот вариант сводится к предыдущему, если положить S0 = H(x) и Sk = C(x).

Методические указания:

При изучении первого вопроса темы:

· читать: Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы: Учебник. – М.: Финансы и статистика, 2004. – 424 с. (гл. 3);

· Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике / 3-изд. доп. М.: СИНТЕГ, 2002. – 306 с. (главу 1 стр. 53–79);

Выполнить практическое задание № 1.

Теоретический материал вопроса 2

Интеллектуальная задача. Многие нематематические задачи могут быть представлены в том же аспекте.

Например, технологу при наладке производства нового прибора необходимо спланировать, скоординировать и уложить в согласованную схему множество операций:

- выбор и подготовку оборудования;

- формулировку конструктивных требований и ограничений;

- обоснование технологического маршрута;

- согласование этих операций с операциями совершенно иного характера (экологическими, юридическими и т.д.).

При решении задач невычислительного характера приходится искать пути и средства к достижению той или иной цели, вырабатывая какой-то план действий, следуя которому можно достичь этой непосредственно не доступной цели. Такая деятельность доступна кибернетическим системам, которые обладают интеллектом. Во многих определениях интеллекта используется понятие «интеллектуальная задача».

Для описания задачи требуются:

- исходные данные;

- ожидаемый результат;

- алгоритм получения результата по исходным данным.

При этом считается, что алгоритм решения задачи существует и задан.

Обобщенное описание интеллектуальной задачи, IT, может быть представлено совокупностью пяти составляющих:

где – исходные данные (исходное состояние);

– требуемое состояние (ожидаемый результат);

– алгоритм работы с моделью (протокол);

– знания, необходимые для решения задачи, – модель проблемной области;

– результат решения задачи – множество операций для перехода из S0 в Sk.

Такое описание задачи IT является обобщенным и справедливо для кибернетических систем без памяти для хранения опыта. Под опытом понимается множество результатов решенных кибернетической системой задач. При неограниченной (идеальной) памяти такая система решает задачу один раз, а при повторном возникновении этой задачи использует уже имеющийся результат.

Для этой системы задача является интеллектуальной лишь первый раз, а в дальнейшем она переходит в разряд рутинных.

Чтобы учитывать наличие памяти, в описание задачи IT следует ввести дополнительную составляющую – множество результатов решения i-х задач IT, где и b есть максимальное число задач, которое смогла бы решать данная кибернетическая система. Тогда описание задачи IT будет иметь вид:

Если же , т.е. задача уже решалась, то она описывается тройкой составляющих:

Третья составляющая отражает способность кибернетической системы накапливать опыт. Если кибернетическая система способна делать обобщения, выводить понятия и ассоциации, то для такой системы будет справедливо использование в качестве третьей составляющей не результата конкретно решенной задачи, а алгоритма решения задач этого класса, т.е. можно говорить о том, что задача становится вычислительной.

Под интеллектуальной задачей относительно рассматриваемой кибернетической системы понимается такая задача, у которой хотя бы одна из трех составляющих – исходные данные (начальное состояние), требуемый результат (конечное состояние), модель процесса получения результата по исходным данным (алгоритм перевода из начального состояния в конечное) – отсутствует или имеет хотя бы один НЕ-фактор (недоопределенность, неточность, некорректность, нечеткость и др.).

Методические указания:

При изучении второго вопроса темы:

· изучить дополнительные материалы: Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб: Питер, 2000. – 384 с;

· Попов Э.В., Кисель Б.Б., Фоминых И.Б., Шапот М.В. Статические и динамические экспертные системы. М.: Финансы и статистика, 1996 – 320 с.

Выполнить практическое задание № 1.

Для самопроверки тем 1–2 необходимо выполнить задания:

1. Назовите основные события в истории искусственных и интеллектуальных систем.

2. Охарактеризуйте состояние робототехники.

3. Раскройте содержание основных высказываний об интеллекте.

4. Перечислите основные направления исследований в области ИИ.

5. Назовите особенности интеллектуальной задачи.

6. Перечислите современные направления исследований в области ИИ.

7. Представьте пример описания предметной области с использованием логической модели знаний.

8. Дайте определение задачи.

9. Ответьте, что значит «поставить задачу».

10. Опишите варианты представления задачи в замкнутой форме.

11. Раскройте содержание понятия «интеллектуальная задача».

12. Охарактеризуйте перспективные направления исследований в ИИ.

13. Опишите представление задач в СОЗ.

14. Опишите методы построения планов решения задач.

15. Раскройте основные черты ИИС.

Тема 3. Модели представления знаний в ИС

Содержание темы (вопросы темы):

Вопрос 1. Логические модели.

Вопрос 2. Сетевые модели.

Цели и задачи изучения темы: приобретение знаний по основам представления знаний в ИС, моделям представления знаний, областям применения баз знаний.

По изучении темы должны быть приобретены следующие:

· знания отличительных характеристик моделей представления знаний, особенностей их использования;

· умения классифицировать задачи по признакам интеллектуальности и выбирать адекватные классу решаемых задач (проблемной области) модели представления знаний;

· навыки выбора модели представления знаний для проблемной области.

Изучая тему, необходимо акцентировать внимание на следующих понятиях:

· базы знаний;

· логическая модель представления знаний;

· продукции;

· семантические сети;

· фреймы;

· смешанные модели.

Теоретический материал вопроса 1

Несмотря на большое количество всевозможных моделей представления знаний, разработанных различными авторами у нас в стране и за рубежом, выделяют 4 основных, базовых формы представления знаний: семантические сети, фреймы, логическое представление и продукционное. Модели представления знаний, используемые в конкретных приложениях – экспертных системах, интеллектуальных информационно-поисковых системах, системах общения и т.д., – обычно основаны на одной из этих базовых форм либо сочетают некоторые элементы сразу нескольких основных форм.

Использование того или иного представления зависит от предметной области и от типа задач, для решения которых создается система, основанная на знаниях. Так, если для определенного круга задач преобладают описательные, декларативные знания – знания о структуре, форме, свойствах объектов предметной области, – то говорят о структурной парадигме представления и обработки знаний. К таким задачам относятся, например, задачи классификации. Для них более применимы семантические сети и фреймы. Если же для решения задач необходимы, в первую очередь, знания о логических, причинно-следственных зависимостях между понятиями, закономерности, эвристические «рассуждения», то говорят о логической, или процедурной, парадигме. К подобным задачам относятся, например, задачи доопределения. В них в основном используются системы правил-продукций и логические модели.

В настоящее время разработано множество подходов к представлению знаний. В основе этих подходов заложено использование таких моделей представления знаний, как:

- логические:

- формальные логические модели;

- продукционные модели;

- сетевые:

- семантические сети;

- фреймовые модели;

- смешанные.

Логические модели.

Формальные логические модели. Основаны на логике высказываний, когда предметная область или задача описываются в виде фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода. Наиболее распространенной формальной системой, используемой для представления знаний, является исчисление предикатов. Под предикатом понимается логическая функция, предназначенная для выражения свойств объектов реального мира или связей между ними. Выражения, в которых утверждается или отрицается наличие каких-либо свойств у объекта, называются высказываниями. Для именования объектов реального мира используются константы. Логические предложения или высказывания (представления фактов) носят названия атомарных формул. В простейшем случае запись факта имеет вид Р(x,y,z,…), где Р – отношение, а x,y,z,… – объекты, на которых оно задано. Представления фактов с помощью предикатов имеют следующий вид:

ОБСЛУЖИВАНИЕ (менеджер, клиент): менеджер обслуживает клиента

УЧИТСЯ (Смирнов, институт): Смирнов учится в институте

ЛУЧШИЙ_СПЕЦИАЛИСТ (Рыбин): Рыбин – лучший специалист

Исчисление предикатов с кванторами (логика предикатов) для выражения отношений между объектами реального мира может использовать предложения, включающие не только константы, но и переменные. Модели, основанные на логике предикатов, – М, в общем случае описываются следующей формальной системой:

М = < B, F, A, R >,

где B – множество базовых элементов, или алфавит формальной системы;

F – множество синтаксических правил, позволяющих строить из В синтаксически корректные предложения – формулы;

А – выделенное множество формул, называемых аксиомами формальной системы, или некоторых синтаксически правильных предложений, заданных априорно;

R – конечное множество отношений между формулами, правила продукций, правила вывода или семантические правила, с помощью которых можно расширять множество А, добавляя в него аксиомы.

Достоинством логических моделей являются единственность теоретического обоснования и возможность реализации системы формально точных определений и выводов. Представление знаний в виде формул исчисления предикатов позволяет применить к ним формальные методы вывода. В частности, может быть использован метод резолюций, используемый в системах автоматического доказательства, обучения и синтеза программ.

Исчисление предикатов 1-го порядка в промышленных ЭС практически не используется. Эти логические модели применяются в основном в «игрушечных» системах. Они предъявляют высокие требования и ограничения к предметной области. Приходится изобретать новые логики или модернизировать старые, чтобы включить в них временные, модальные и иные категории. Но для этих логик не существует разработанных компьютерных систем вывода. А логики, адекватно отражающей человеческое мышление, к настоящему времени еще не создано.

К недостаткам логического представления знаний можно отнести и сложность создания подсистемы объяснения – одной из компонент систем, основанных на знаниях (СОЗ).

Продукционная модель. Продукционная модель, или модель, основанная на правилах, позволяет представлять знания в виде совокупности специальных информационных единиц, именуемых правилами или продукционными правилами (продукциями). Структура правила имеет следующий вид:

ЕСЛИ (перечень условий), ТО (перечень действий).

Под «перечнем условий» (антецедентом) понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний.

«Перечень действий» (консеквент) – это действия, которые выполняются при успешном исходе поиска. Действия могут быть промежуточными – выступающими в дальнейшем как условия, и терминальными, или целевыми, – завершающими работу системы.

С помощью правил могут представляться как отношения объектов – пространственно-временные, причинно-следственные, функционально-поведенческие (ситуация – действие), так и сами объекты: объект – свойство (набор свойств – объект), атрибут – значение (используются в качестве переменных внутри правил). По своей сути продукционная модель предназначена для описания последовательности различных ситуаций или действий, но может в какой-то мере использоваться и для структурированного описания объектов.

По сравнению с логической моделью представления знаний продукционная модель предполагает более гибкую организацию работы механизма вывода. Различаются два типа продукционных систем: с прямыми и обратными выводами. В зависимости от направления вывода возможна прямая аргументация и обратная. При прямой аргументации осуществляется управление исходными данными (от исходных данных к цели). Продукционные системы с прямыми выводами могут использоваться при решении задач интерпретации (по исходным данным нужно определить сущность некоторой ситуации), прогнозирования (из описания некоторой ситуации выводятся все следствия) и др.

Обратная аргументация – управляемая целями (от целей к исходным данным) применяется, когда нужно проверить определенную гипотезу или небольшое множество гипотез на соответствие фактам (задачи диагностики).

Продукционные системы способны осуществлять выбор правил из множества возможных на данный момент времени. Выбор правил осуществляется в зависимости от задаваемых критериев (время, ресурсы, важность, достоверность получаемого решения и т.д.) с использованием стратегии «поиск в ширину». Для реализации стратегии «поиск в ширину» используется продукция вида:

NR; Q; P; A Þ B; D

где NR – имя продукции;

A Þ B – ядро продукции (собственно правило);

Q – предусловие выбора класса правил (сфера применения продукции);

Р – предусловие выбора правила в классе (условие применимости ядра продукции);

D – постусловие правила, которое актуализуется только в том случае, если ядро продукции реализовалось. Определяет действия и процедуры, которые необходимо выполнить после реализации перечня действий.

В предусловиях и постусловиях могут задаваться дополнительные процедуры по вводу и контролю данных, математической обработке и т.д. Они помогают выбирать наиболее рациональный режим работы машины логического вывода и сокращать перебор относящихся к решению правил. Ядро продукции может иметь как простой (описание правил над единичными объектами), так и обобщенный характер (правила определяются на классах объектов).

Обработка неопределенностей знаний и результатов обычно основывается на методах обработки условных вероятностей Байеса или нечеткой логики Л. Заде.

Методические указания:

При изучении первого вопроса темы:

· читать: Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике. – М.: МЭСИ, 1998. – 187 с. (гл. 2 стр. 47–65);

· изучить дополнительные материалы: Попов Э.В., Кисель Б.Б., Фоминых И.Б., Шапот М.В. Статические и динамические экспертные системы. М.: Финансы и статистика, 1996. – 320 с.

Выполнить практическое задание №1.

Теоретический материал вопроса 2

Сетевые модели.

Семантические сети. В основе модели семантической сети заложена формализация знаний в виде ориентированного графа с размеченными вершинами и дугами. В качестве вершин сети выступают понятия, факты, объекты, события, состояния, ситуации и т.д., а в качестве дуг сети – отношения, которыми вершины связаны между собой.

Формально сетевые модели могут представляться в виде

NM = <U, R1, …, Rn, G>,

где U – множество информационных единиц,

R1, …, Rn – множество типов связей между элементами множества U,

G – отображение, задающее между элементами множества U связи из заданного набора типов связей {Ri}.

В зависимости от типов связей {Ri} различают:

- Классифицирующие сети. Используют отношения структуризации, которые позволяют вводить в базы знаний различные иерархические отношения между элементами множества U.

- Функциональные сети. Являются вычислительными моделями с наличием функциональных отношений. Позволяют описывать процедуры вычислений одних информационных единиц через другие.

- Сценарии. Используют каузальные отношения (причинно-следственные или устанавливающие влияние одних явлений или фактов на другие), а также отношения типов «средство – результат», «орудие – действие» и т.д.

Под семантической сетью понимается ориентированный граф с размеченными вершинами и дугами. Вершинам этого графа могут соответствовать понятия, объекты (абстрактные, реальные) или ситуации, а дугам – отношения между ними. Семантическая сеть является наиболее общей моделью представления знаний, т.к. в ней есть все средства для реализации характерных для знаний свойств: внутренней интерпретации, структурированности, семантической метрики и активности.

Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:

- класс – элемент класса (кибернетическая система – компьютер);

- свойство – значение (температура – высокая);

- пример элемента класса (должность – программист).

Выделяется несколько классификаций семантических сетей, связанных с типами отношений между понятиями.

По количеству типов отношений:

- однородные (с единственным типом отношений);

- неоднородные (с множеством типов отношений).

По типам отношений:

- бинарные (отношением связываются два объекта);

- N-арные (используются отношения, связывающие более двух понятий).

Самыми распространенными являются такие типы отношений, как:

- связи типа «часть – целое» («быть элементом класса», «являться» означает, что объект входит в состав данного класса, например: дисковод является устройством компьютера);

- функциональные связи (обычно определяются глаголами «влияет», «производит» и др.);

- количественные («больше», «меньше», «равно» и т.д.);

- пространственные («далеко от», «близко от», «за», «под», «над», …);

- временные («раньше», «позже», «в течение», …);

- атрибутивные связи («иметь свойство» позволяет задавать свойства объектов, например: процессор имеет встроенную память; «иметь значение» (аргумент – функция) – задает значение свойств объектов, например: работник офиса может иметь мобильный телефон);

- логические связи (И, ИЛИ, НЕ);

- причинно-следственные связи («являться следствием»: низкие знания являются следствием пропуска занятий; ситуация – действие);

- лингвистические связи и др.

Пример семантической сети представлен на рис. 1.

Достоинства семантических сетей:

- богатые выразительные возможности;

- наглядность системы знаний;

- структура сети системы знаний близка семантической структуре фраз на естественном языке, отражающих эту систему знаний;

- соответствие современным представлениям об организации долговременной памяти человека.

Рис. 1. Пример семантической сети

Фреймовые модели. Термин «фрейм» (от английского слова frame – каркас, рамка) был предложен в 1979 году одним из пионеров искусственного интеллекта М. Минским как модель знаний, использующая концепцию организации памяти, понимания и обучения человека, как структура данных для представления стереотипных ситуаций при восприятии пространственных сцен.

Фрейм – это единица представления знаний, детали которой могут изменяться в соответствии с текущей ситуацией. Фрейм может быть дополнен по необходимости различной информацией, касающейся способов применения данного фрейма, последствий этого применения и т.д.

Под фреймом понимается абстрактный образ или ситуация для представления некоего стереотипа восприятия.

Например, слово «комната» вызывает образ комнаты: жилое помещение площадью 6–20 кв.м. с четырьмя стенами, потолком, окнами и дверью. Из этого описания ничего нельзя убрать, т.к. убрав окна мы уже получим чулан, а не комнату. Но в нем есть «дырки», или «слоты», это незаполненные значения некоторых атрибутов: количество окон, высота потолка, цвет покраски стен, покрытие пола, площадь и т.д. Фреймом в теории называется как такой образ, так формализованная модель для отображения образа.

Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных ситуаций на основе поступающих данных. Модель фрейма достаточно универсальна, т.к. позволяет отобразить все многообразие знаний о реальном мире или его части через:

· фреймы-структуры, использующиеся для обозначения объектов и понятий (подразделение, бизнес-процесс, технический узел, транзакция);

· фреймы-роли (менеджер, диспетчер задач, пользователь);

· фреймы-сценарии (запуск в эксплуатацию, банкротство, посвящение в студенты, принятие присяги);

· фреймы-ситуации (ошибка, типовая ситуация, аварийный режим работы) и др.

Структура фрейма состоит из характеристик описываемой стереотипной ситуации и их значений (слотов и заполнителей слотов):

(имя фрейма:

(имя первого слота: значение первого слота),

(имя второго слота: значение второго слота),

…..

(имя n-го слота: значение n-го слота)).

Табличная форма представления фрейма показана на рис. 2.

ПОСТАВЩИК
Название	«Энергомаш»
Оборудование	Система «Интеллектуальный офис»
Качество	Соответствует корпоративным стандартам
Цена (у.е.)	845 000
Объем поставки (комплекты)	3
Адрес	Энергоград-17
Телефон	057 4622068

Рис. 2. Пример табличной формы представления структуры фрейма

Запись такого фрейма можно представить и в виде таблицы, дополненной двумя столбцами, которые предназначаются для описания способа получения слотом его значения (Способ получения значения) и возможного присоединения к тому или иному слоту специальных процедур (Присоединенные процедуры).

В отличие от семантических сетей во фреймах предусмотрен удобный способ включения процедурных знаний – с помощью так называемых присоединенных процедур, среди которых выделяют процедуры-демоны и служебные процедуры. Это открывает широкий простор для комплексирования фреймового формализма с математическими моделями, системами продукций, традиционным программным обеспечением, что позволяет строить гибридные модели.

Присоединенные процедуры должны выполняться при определенных условиях (при записи или удалении информации из слота, при обращении к слоту, в котором отсутствуют данные и т.д.), проверять совместимость значений слота с реальными условиями. С каждым слотом может быть связано любое количество процедур, которое значительно зависит от конкретной прикладной системы, использующей фреймовые модели для представления знаний. В качестве значения слота может выступать имя другого фрейма, что позволяет образовывать сети фреймов. Одним из важных свойств фреймовой модели представления знаний является наследование свойств, заимствованное из теории семантических сетей. Наследование осуществляется по АКО-связям (A-Kind-Of = это). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, т.е. переносятся, значения аналогичных слотов.

Фреймовый подход к представлению знаний позволяет учитывать существующие аналогии между различными концептуальными объектами. Фреймы, представляющие такие образы, выстраиваются в иерархическую систему с классификационными и обобщающими свойствами. При этом сложные объекты представляются комбинацией нескольких фреймов – вложенными фреймами.

Существует несколько способов получения слотом значений во фрейме-экземпляре:

- по умолчанию от фрейма-образца;

- через наследование свойств от фрейма, указанного в слоте АКО;

- по формуле, указанной в слоте;

- через присоединенную процедуру;

- явно из диалога с пользователем;

- из базы данных (БД).

Фреймовое представление широко используется в системах, основанных на знаниях. Вот лишь некоторые примеры систем, разработанных в нашей стране: система ПРИЗ, КАТИ, ДИЛОС, ТЕМП, СПЭИС.

Смешанная модель представления знаний. Признаки (рецепторы), понятия, ассоциации, управляющие воздействия (эффекторы) представляют собой сущности реального мира, поэтому основной единицей интегрированной модели представления является представление сущности.

Интегрированная модель представляется множеством вершин и взвешенных связей между ними. Каждая вершина описывается атрибутами сущности:

- имя;

- условия применения/появления/существования/присутствия;

- условия контроля наличия сущности;

- является частью;

- включает;

- взаимодействует с сущностями своего уровня.

Каждая связь задается атрибутами:

- имя;

- имя исходящей вершины-сущности;

- имя входящей вершины-сущности;

- вес связи;

- условия возникновения;

- условия контроля;

- включает связи;

- является частью связи.

Такое представление позволяет:

- осуществлять полную навигацию по сети;

- строить проблемную область;

- накапливать опыт;

- максимально отображать существенные для объекта закономерности реального мира.

Описание фрагментов проблемной области с использованием интегрированной модели представления знаний показано в примере решения задачи «Выполнение заказа».

Методические указания:

При изучении второго вопроса темы:

· Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике / 3-изд. доп. – М.: СИНТЕГ, 2002. – 306 с.;

· изучить дополнительные материалы: Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб: Питер, 2000. – 384 с.;

· Змитрович А.И. Интеллектуальные информационные системы. – Тетра Системс, Минск, 1997. – 365 с.;

· Попов Э.В., Кисель Б.Б., Фоминых И.Б., Шапот М.В. Статические и динамические экспертные системы. – М.: Финансы и статистика, 1996. – 320 с.

Выполнить практическое задание № 2.

Тема 4. Методы решения задач в ИС

Содержание темы (вопросы темы):

Вопрос 1. Классические методы решения задач в ИС.

Вопрос 2. Методы решения задач в ИИС.

Цели и задачи изучения темы: приобретение знаний по основным методам решения задач в ИИС.

По изучении темы должны быть приобретены следующие:

· Знания отличительных характеристик задач и методов их решения;

· Умения выбирать адекватные классу решаемых задач (проблемной области) методы их решения;

· Навыки выбора метода решения задач в ИИС из доступных.

Изучая тему, необходимо акцентировать внимание на следующих понятиях:

· классы задач;

· методы решения вычислительных задач;

· методы решения задач в ИИС.

Теоретический материал вопроса 1

Классификация задач. В книге В.М. Глушкова дана классификация задач, основанная на кибернетическом понятии задачи. Выделяется четыре класса задач:

1. Задачи включения алгоритма, решение которых сводится к применению известной программы.

2. Задачи программирования известного алгоритма на языке вычислительных машин.

3. Задачи поиска алгоритма решения с опорой на библиотеку стандартных программ машины.

4. Задачи разработки способа решения вместе с его последующим программированием.

Согласно введенному определению задачи первого класса относятся к неинтеллектуальным, а 2, 3, 4-го – к интеллектуальным.

Предлагается все задачи разделять на хорошо определенные, если имеются алгоритмы проверки решения, и плохо определенные, если такого алгоритма нет.

Используя вид «того, что дано» и «того, что требуется найти», выделяют четыре типа задач:

1. Исполнения. Например, возвести 389 в квадрат, пользуясь таблицей квадратов.

2. Восстановления. Например, извлечь кубический корень из 2,74, пользуясь таблицей кубов.

3. Преобразования. Например, доказать, что (a - b)·(a + b) = a² - b².

4. Конструирования. Например, записать произвольное уравнение третьей степени.

По количественным признакам выделяются:

- задачи вычислительные («мало данных, много вычислений»);

- задачи обработки данных («много данных, мало вычислений»).

В зависимости от используемой проблемной области задачи, решаемые ИИС, делятся на следующие классы:

- интерпретации;

- диагностики;

- прогнозирования;

- проектирования;

- управления;

- моделирования

- планирования.

Рис. 3. Классы задач интеллектуальных систем

Для интеллектуальных систем задачи могут разделяться на группы. Каждая группа задач связана с реализацией определенных функций (рис. 3).

Классические методы решения задач. Для вычислительных задач существуют свои классические методы. Выделяются четыре способа решения какой-либо задачи:

- использование явной формулы;

- использование рекурсивного определения;

- использование алгоритма;

- применение методов перебора, проб и ошибок и др.

Метод полного перебора. Используется при поиске точного решения (в заданных ограничениях).

Алгоритм поиска решений:

1. Зафиксировать первый, еще не рассмотренный элемент х₀ из множества Х.

2. Проверить соответствие условиям К(х₀).

3. Если какое-либо условие не выполнено, начать сначала, перейти к п. 1.

4. Если выполнены все условия, х₀ является решением.

5. Если нужны все решения, вернуться к п. 1.

Достоинства: надежность, простота.

Недостатки: имеет ограничение на мощность множества Х (10³ – для ручного подсчета, 10⁹–10¹² – для машинного).

Метод направленного перебора. Позволяет находить точное решение. В этом методе вводятся новые ограничения, которые уменьшают мощность множества. Например, могут исключаться те элементы, которые не подходят в качестве решений в силу ограничений К(х₀). Эти методы относятся к классу эвристических алгоритмов.

Метод ветвей и границ. Дает возможность находить приближенное, но близкое к точному решение.

Симплекс-методы, градиентные методы. Позволяют находить экстремальные значения в пространствах поиска. Основными достоинствами этих методов являются:

- поиск решения за приемлемое время;

- нахождение точного решения для функций с одним экстремумом.

Недостатки:

- громоздкие преобразования системы линейных уравнений;

- нахождение только локального экстремума;

- полиномиальная трудоемкость.

Генетические алгоритмы. В общем виде генетический алгоритм – это оптимизационный метод, базирующийся на эволюции популяции «особей». Каждая особь характеризуется приспособленностью – многомерной функцией ее генов. Задача оптимизации состоит в максимизации функции приспособленности. В процессе эволюции в результате отбора, рекомбинаций и мутаций геномов особей происходит поиск особей с высокими приспособленностями. В следующих главах этот алгоритм будет рассматриваться более подробно.

Методические указания:

При изучении первого вопроса темы:

· читать: Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы: Учебник. – М.: Финансы и статистика, 2004. – 424 с. (гл. 6).;

· Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике / 3-изд. доп. – М.: СИНТЕГ, 2002. – 306 с.;

· Змитрович А.И. Интеллектуальные информационные системы. – Тетра Системс, Минск, 1997. – 365 с.;

Выполнить практическое задание № 1.

Теоретический материал вопроса 2

Методы решения задач в ИИС. Организация решения задач в СОЗ зависит от особенностей предметной области, в которой решается задача, и от требований, предъявляемых пользователем к решению. Особенности предметной области с точки зрения методов решения можно характеризовать следующими параметрами:

• размер, определяющий объем пространства, в котором предстоит искать решение;

• изменяемость области, которая характеризует степень изменяемости области во времени и пространстве (здесь выделяются статические и динамические области);

• полнота модели, описывающей область, которая характеризует адекватность модели, используемой для описания данной области. Обычно если модель не полна, то для описания области используют несколько моделей, дополняющих друг друга за счет отражения различных свойств предметной области;

• определенность данных о решаемой задаче, которая характеризует степень точности (ошибочности) и полноты (неполноты) данных. Точность (ошибочность) является показателем того, что предметная область с точки зрения решаемых задач описана точными или неточными данными; под полнотой (неполнотой) данных понимается достаточность (недостаточность) входных данных для однозначного решения задачи.

Рис. 4. Методы решения задач с использованием знаний

Требования пользователя к результату задачи, решаемой с помощью поиска, можно характеризовать количеством решений и свойствами результата и (или) способом его получения. Например, параметр «количество решений» может принимать следующие основные значения: одно решение, несколько решений, все решения. Параметр «свойства» задает ограничения, которым должен удовлетворять полученный результат или способ его получения. Так, для системы, выдающей рекомендации по лечению больных, пользователь может указать требование не использовать некоторое лекарство (в связи с его отсутствием или в связи с тем, что оно противопоказано данному пациенту). Параметр «свойства» может определять и такие особенности, как время решения («не более чем», «диапазон времени» и т.п.), объем памяти, используемой для получения результата, указание об обязательности (невозможности) использования каких-либо знаний (данных) и т.п.

Итак, сложность задачи, определяемая вышеприведенным набором параметров, варьируется от простых задач малой размерности с неизменяемыми определенными данными и отсутствием ограничений на результат и способ его получения до сложных задач большой размерности с изменяемыми, ошибочными и неполными данными и произвольными ограничениями на результат и способ его получения. Из общих соображений ясно, что каким-либо одним методом нельзя решить все задачи. Обычно одни методы превосходят другие только по некоторым из перечисленных параметров.

Рассмотренные ниже методы могут работать в статических и динамических проблемных средах. Для того чтобы они работали в условиях динамики, необходимо учитывать время жизни значений переменных, источник данных для переменных, а также обеспечивать возможность хранения истории значений переменных, моделирования внешнего окружения и оперирования временными категориями в правилах.

Существующие методы решения задач, используемые в СОЗ, можно классифицировать следующим образом (рис. 4):

- методы, основанные на сведении их к поиску;

- методы, основанные на планировании последовательности действий (планов решения задач), приводящих к цели.

Методы, основанные на сведении их к поиску, подразделяются на:

• методы поиска в одном пространстве – методы, предназначенные для использования в следующих условиях: области небольшой размерности, полнота модели, точные и полные данные;

• методы поиска в иерархических пространствах – методы, предназначенные для работы в областях большой размерности;

• методы поиска при неточных и неполных данных;

• методы поиска, использующие несколько моделей, предназначенные для работы с областями, для адекватного описания которых одной модели недостаточно.

Предполагается, что перечисленные методы при необходимости должны объединяться для того, чтобы позволить решать задачи, сложность которых возрастает одновременно по нескольким параметрам.

Методы, основанные на сведении их к поиску планов решения задач.

Методы поиска в одном пространстве.

Поиск в пространстве состояний. Задача поиска в пространстве состояний обычно формулируется в теоретико-графовой интерпретации.

Пусть задана тройка (S_o, F, S_т), где S_o – множество начальных состояний (условия задачи), F – множество операторов задачи, отображающих одни состояния в другие; S_т – множество конечных (целевых) состояний (решений задачи).

В этой постановке решить задачу – значит определить такую последовательность операторов, которая преобразует начальные состояния в конечные. Поиск в пространстве состояний можно представить в виде ориентированного графа G, который задает пространство состояний, т.е. пространство, в котором осуществляется поиск решения. Построение пространства осуществляется с помощью процесса раскрытия вершин:

- фиксируется некая вершина х_о Î Х_о;

- к ней применяются все возможные операторы, порождающие все дочерние вершины;

- если получена целевая вершина, то она не раскрывается.

Процесс построения пространства состояний заканчивается:

- когда все нераскрытые вершины являются целевыми, или терминальными (т.е. вершинами, к которым нельзя применить никаких операторов);

- когда выполняется заданное ограничение по времени или по объему памяти.

При необходимости отыскания всех существующих целевых вершин используются методы полного перебора всех вершин. В этом случае необходимо определить стратегию просмотра вершин графа. От выбранной стратегии выбора будет зависеть порядок рассмотрения вершин (порядок применения и срабатывания правил). Основными стратегиями поиска являются:

- поиск в глубину и поиск в ширину;

- поиск от данных, или прямой поиск, и поиск от цели, или обратный поиск.

При поиске в глубину (рис. 5-а) сначала раскрывается та вершина, которая была построена самой последней. Глубина вершины в графе определяется так:

- глубина начальной вершины равна нулю;

- глубина неначальной вершины равна единице плюс глубина наиболее близкой родительской вершины.

При практической реализации поиск в глубину в некотором направлении завершается в следующих случаях:

- при достижении целевой вершины;

- при достижении терминальной вершины;

- при построении в ходе поиска вершины, глубина которой превышает некоторую граничную глубину.

При поиске в ширину (рис. 5-б) вершины раскрываются в том же порядке, в котором они порождаются.

Рис. 5. Поиск в глубину (а) и поиск в ширину (б)

Если в пространство состояний ввести операторы, переводящие состояние S_i в предшествующее состояние S_i_-1, то поиск можно осуществлять не только в направлении от начального состояния к целевому, но и в обратном направлении (рис. 6.). Поиск первого типа называют поиском от данных, или прямым поиском, а поиск второго типа – поиском от цели, или обратным поиском. Можно организовать поиск в двух направлениях одновременно. Такой поиск называют двунаправленным (или бинаправленным).

Рис. 6. Поиск от данных, или прямой поиск (а), и поиск от цели, или обратный поиск (б)

Поиск методом редукции. При этом методе решение задачи сводится к решению совокупности образующих ее подзадач. Этот процесс повторяется для каждой подзадачи до тех пор, пока каждая из полученного набора подзадач, образующих решение исходной задачи, не будет иметь очевидное решение. Подзадача считается очевидной, если ее решение общеизвестно или получено ранее.

Эвристический поиск. Методы поиска в пространстве состояний с использованием стратегий поиска в глубину и в ширину считаются слепыми методами, так как в них порядок раскрытия вершин предопределен и никак не зависит от расположения цели. Методы слепого поиска в больших пространствах требуют больших затрат ресурсов (времени, памяти). С целью сокращения этих затрат созданы эвристические методы поиска, использующие некоторую информацию о предметной области для рассмотрения не всего пространства поиска, а таких путей в нем, которые с наибольшей вероятностью приводят к цели.

Один из способов сокращения перебора состоит в выборе более «информированного» оператора, который не строит так много вершин, не относящихся к делу.

Поиск методом «генерация – проверка». Обычно пространство поиска явно не задано, поэтому для осуществления процесса поиска необходимо генерировать очередное возможное решение (состояние или подзадачу) и проверить, не является ли оно результирующим. Целесообразно, чтобы генератор удовлетворял требованиям полноты и неизбыточности.

Генератор считается неизбыточным, если он генерирует каждое решение только один раз. Обеспечение этого свойства является важным, но трудновыполнимым. Например, если задача генератора – синтезировать все фразы естественного языка, то вряд ли возможно сделать такой генератор неизбыточным.

Методы поиска в иерархических пространствах.

Поиск в иерархии пространств. При поиске решения в одном пространстве не всегда возможно решить сложную задачу, т.к. с увеличением размера пространства время поиска экспоненциально растет. Поэтому при большом размере пространства поиска оно разбивается на подпространства, т.е. представляется иерархией пространств. В иерархии пространств могут быть как конкретные, так и абстрактные пространства, которые имеют описание только наиболее важных сущностей. Суть этого метода хорошо видна в примере определения кратчайшего пути на карте.

Пусть требуется переехать из центра города А в центр города Б. Если осуществлять поиск требуемого пути на детальной карте, содержащей все улицы во всех городах, встретившихся по дороге, то задача может стать практически неразрешимой.

При определении пути из города А в город Б целесообразно спланировать маршрут по крупномасштабной карте (т.е. осуществить поиск в абстрактном пространстве), а затем по детальной карте спланировать выезд из города А, проезд через все встречающиеся города и въезд в город Б.

Поиск в факторизованном пространстве. Во многих приложениях требуется найти все решения (например, при интерпретации данных, постановке диагноза и др.). Однако пространство поиска бывает велико и слепые методы не применимы. Исключается использование и эвристических методов, т.к. они не позволяют получить все возможные решения. Если же пространство поиска удается факторизовать, то даже в очень большом пространстве можно организовать эффективный поиск.

Факторизованным называется пространство, которое разбивается на непересекающиеся подпространства (классы) частичными (неполными) решениями. Вид частичного решения позволяет определить, что данное решение не приведет к успеху. Поиск осуществляется на основе метода «иерархическая генерация – проверка». Если текущее частичное решение не отвергается, то генератор вырабатывает на его основе все полные решения, а устройство проверки определяет, являются ли эти решения целевыми.

Поиск в фиксированном множестве пространств. Метод факторизации пространства ограничен в использовании тем, что для некоторых областей не удается по частичному решению сделать заключение о его непригодности. Примерами таких областей могут быть задачи планирования и конструирования. В этих случаях применимы методы поиска, использующие идею абстрактного пространства.

Методы различаются предположениями о природе этого пространства. Абстракция должна подчеркнуть важные особенности рассматриваемой задачи, позволить разбить задачу на более простые подзадачи и определить последовательность подзадач (план решения), приводящую к решению основной задачи.

В простейшем случае пространство поиска разбивается на фиксированную последовательность подзадач (подпространств), с помощью которых можно решить любую исходную задачу.

Поиск в изменяющемся множестве иерархических пространств. В отдельных приложениях не удается все решаемые задачи свести к фиксированному набору подзадач (например, при планировании перемещений в пространстве). План решения задачи в данной ситуации должен иметь переменную структуру и не может сводиться к фиксированному набору подзадач.

Для решения подобных задач может быть использован метод нисходящего уточнения, в котором, чтобы упростить процесс решения некоторой задачи в сложном пространстве, целесообразно получить обобщенное пространство (меньшей размерности) и попробовать получить решение в этом пространстве. Указанный прием можно повторять многократно. Полный процесс решения задачи представляется как нисходящее движение в иерархии пространств от наиболее абстрактного к конкретному, в котором получается окончательное решение.

Использование ограничений при поиске решений. Ограничения позволяют частично описывать некоторые сущности в модели проблемной области. Ограничения могут задаваться как в числовой, так и в символьной форме. Примером ограничения в числовой форме может быть любая формула, задающая ограничения на соотношение входящих в формулу переменных. Примером ограничения в символьной форме является модель управления любого глагола, задающая семантические категории. Ограничения могут быть использованы для представления целей в методах поиска в иерархических пространствах.

Принцип наименьших свершений. В рамках данного подхода решение не строится сразу до конца на верхних уровнях абстракции. Используемое частичное решение детализируется постепенно. Каждое новое изменение частичного решения происходит при появлении информации, подтверждающей возможность решения и вынуждающей принять решение. Системы, реализующие принцип наименьших свершений, должны уметь выполнять следующие действия:

- выявлять моменты накопления объемов информации, данных, достаточных для принятия решения;

- прерывать работу над некоторой подзадачей, когда использованы все данные, информация, достаточные для принятия решения;

- осуществлять переход с одной подзадачи на другую и возвращаться к выполнению прерванной подзадачи при появлении недостающих данных, информации;

- формировать метаданные, информацию из данных, полученных различными подзадачами.

Примером использования принципа наименьших свершений является ЭС MOLGEN, работающая в области молекулярной генетики. В этой ЭС взаимодействие между подзадачами представляется в виде ограничений, для работы с которыми используются операторы метауровня, в противовес операторам предметной области. Система чередует использование принципа наименьших свершений и эвристических стратегий. В рамках принципа наименьших свершений формирование решения подзадачи осуществляется только тогда, когда ограничения определяют достаточно узкий набор альтернатив. Если это условие не выполняется, то процесс формирования решения подзадачи прерывается и подзадача переводится в состояние «ожидание ограничений», а система переходит к решению другой подзадачи. В этом случае распространение ограничений является механизмом для передачи информации между подзадачами. Так, ограничения, выработанные одной подзадачей, могут существенно сузить множество альтернатив другой подзадачи. ЭС строит планы в ответ на распространение ограничений.

Метапространства в иерархии пространств. В метапространстве для решателя содержится явное описание процесса организации поиска, представляющее собой описание:

- состояний;

- представления операторов;

- условий применимости операторов;

- доступных методов (стратегий) поиска;

- способов взаимодействия методов и стратегий поиска.

Получить решение в метапространстве означает определить метод либо программу, используемые на следующих шагах. Решение в метапространстве есть метаплан решения задачи, который в отличие от абстрактного плана выражается не в терминах операторов проблемной области, а в терминах методов (программ), известных решателю. И нет причин ограничивать метазнания одним уровнем. Возможно разбиение метапространства на метазадачи (методы, программы). Это является полезным подходом к организации знаний в СОЗ, но к настоящему времени еще нет общего теоретического осмысления данного вопроса.

В рассмотренных методах поиска в иерархии пространств используются три вида пространств:

- конкретные;

- абстрактные;

- метапространства.

Все они могут использоваться в одной системе.

Методы поиска при неполных и неточных данных.

Поиск в альтернативных пространствах. Использование представленных ранее методов предполагает, что знания о предметной области и данные о решаемой задаче являются полными, точными и для них справедливо следующее:

- все утверждения, описывающие состояние, являются истинными;

- применение оператора к некоторому состоянию формирует некоторое новое состояние, описание которого состоит только из истинных фактов.

При решении же реальных, практических задач, трудноформализуемых и, особенно, неформализованных задач, инженеру по знаниям и эксперту приходится работать в условиях неполноты и неточности данных и знаний, и чаще всего – в условиях дефицита времени. В своей работе эксперт использует методы, отличающиеся от формальных математических рассуждений. В математических рассуждениях каждое заключение должно строго следовать из предыдущей информации.

В правдоподобных рассуждениях, основанных на здравом смысле, заключения основываются на частичной информации. В этом случае эксперт делает правдоподобные предположения, вопрос об истинности которых остается открытым. Все утверждения, полученные на основе этих правдоподобных предположений, также не могут быть доказаны.

Один из способов обоснования предположений заключается в том, чтобы рассматривать их как возможные значения, задаваемые по умолчанию. Например, высказав предположение, что сейчас подойдет автобус, предполагается, что автобус не сломался и время работы автотранспорта не закончилось.

Обычно приходится иметь в виду, что некоторые предположения верны только при определенных условиях (в 02.00 автобус может подойти к остановке только в новогоднюю ночь).

Если информация, указывающая на нарушение этих условий, отсутствует, то предположение может быть высказано. В другом случае обоснование предположений базируется на рассмотрении рассуждения как процесса с ограниченными ресурсами. Так, можно считать, что предположение (Х) имеет место, если, используя ограниченные ресурсы, нельзя доказать истинность противоположного утверждения.

Методы поиска, использующие несколько моделей. Рассмотренные методы поиска использовали при представлении проблемной области какую-то одну модель. В этом случае модель представлялась с какой-то одной точки зрения.

При решении сложных задач, в условиях ограниченных ресурсов, использование нескольких моделей может значительно повысить мощность системы и помочь преодолеть ряд трудностей:

1. переход с одной модели на другую позволяет обходить тупики, возникающие при поиске, в процессе распространения ограничений;

2. в ряде случаев возможно снижение вероятности потери хорошего решения (следствие неполного поиска, вызванного ограниченностью ресурсов) за счет конструирования полного решения из ограниченного числа частичных кандидатов путем их расширения и комбинации;

3. снижение неточности, ошибочности данных и знаний.

Использование нескольких моделей требует дополнительных знаний о том, как создавать и объединять различные точки зрения.

Впервые этот метод был использован в ЭС SYN, которая представляет программу для синтеза электрических схем. Используя несколько моделей, ЭС SYN может рассматривать схему с различных точек зрения, что соответствует идее эквивалентных электрических схем.

Методы построения планов решения задач.

Дедуктивный вывод на знаниях.

В системах дедуктивного вывода решаемая проблема записывается в виде утверждений формальной системы, а цель – в виде утверждения, справедливость которого следует установить или опровергнуть на основании аксиом и правил вывода формальной системы. В качестве формальной системы используют исчисление предикатов первого порядка.

Обратный метод вывода. Поиск вывода идет от целевой формулы к аксиомам или постулатам, истинность которых априорно известна. Чтобы определить выводимость формулы В из посылок F1, F2, … , Fn, необходимо найти формулы-предшественники, из которых формула В может быть выведена одним применением правила вывода. Затем по каждой из получившихся формул-предшественников, не являющейся аксиомой исчисления, определяется множество непосредственных формул-предшествеников и т.д. до окончательного построения вывода.

Принцип резолюций. Замечателен тем, что сложный процесс логического вывода сводит к последовательности очень простых операций, каждая из которых может быть легко запрограммирована.

Теорема Эрбрана часто представляется следующим образом:

Первый вариант. Множество дизъюнктов S невыполнимо тогда и только тогда, когда любому полному семантическому дереву S соответствует конечное замкнутое семантическое дерево (т.е. любая ветвь полного дерева ведет в опровергающий узел).

Второй вариант. Множество дизъюнктов S невыполнимо тогда и только тогда, когда существует конечное, невыполнимое множество S¢ основных примеров дизъюнктов S.

Использование этой теоремы осложнено одним обстоятельством – необходимостью порождения множества S2¢ , S2¢¢ , S3 … – основных примеров дизъюнктов.

Основная идея метода резолюции состоит в том, чтобы проверить, содержит ли S пустой дизъюнкт q. Если S содержит q, то S невыполнимо. Если S не содержит q, то проверяется следующий факт: может ли q быть получен из S. В соответствии с теоремой Эрбрана (первый вариант) проверка получения q эквивалентна подсчету числа узлов замкнутого семантического дерева для S. По теореме Эрбрана S невыполнимо тогда и только тогда, когда существует конечное замкнутое семантическое дерево Т для S.

Семантическая резолюция. Одной из эффективных модификаций принципа резолюций является семантическая резолюция, предложенная в 1967 году Slagle. В ней используется интерпретация для разделения множества дизъюнктов S на два класса:

S1 – непустое множество дизъюнктов, которое выполняется (принимает значение true) этой интерпретацией,

S2 – непустое множество дизъюнктов, которое не выполняется (принимает значение false) этой интерпретацией.

S1 È S2 = S.

Разрешается резольвирование (образование новых дизъюнктов) дизъюнктов, принадлежащих только разным множествам, и запрещается образование резольвент (вновь образованных дизъюнктов) от дизъюнктов, входящих в одно и то же множество. Таким образом, сокращается образование ненужных дизъюнктов, т.к. только резольвированием из разных множеств можно получить пустой дизъюнкт.

Другим способом ограничения количества порождаемых дизъюнктов является упорядочивание предикатных букв. Если имеется упорядочение предикатных букв типа Р1 > Р2 > … > Pn, то разрешается резольвирование литеры, обладающей наибольшим порядком, т.е. Р1.

Методы автоматического формирования планов, использующие интегрированную модель представления знаний.

Как указывалось ранее, в ходе эволюции у КС четвертого уровня возник определенный механизм, позволяющий решать интеллектуальные задачи для достижения цели управления (выживания, размножения). В качестве исходных данных для этих задач были – желаемое состояние и текущее, исходное (неблагоприятное, из которого необходимо было перейти в желаемое). Благодаря новому механизму решения таких задач, т.е. интеллекту, определялся путь перехода к желаемому состоянию.

Желаемое состояние представляется в виде отображения (образа) реального мира, которое наиболее благоприятно для КС. Текущее состояние есть отображение (образ) РМ в текущий момент времени.

Кроме исходного и требуемого состояний КС с интеллектом необходимы знания. Для представления знаний используется интегрированная модель представления знаний, рассмотренная ранее. С ее помощью задается модель проблемной области.

Модель предметной области. Она определяется как отражение в интеллектуальной системе элементов и признаков РМ, их отношений. В простейшем случае включает образы всех операций и параметров, необходимых для решения задачи или класса задач. Описание образа операции включает три составляющих:

- Имя операции.

- Условия возможности выполнения операции.

- Условия контроля выполнения операции.

Имя операции может представлять собой код или набор символов, а условия задаются наборами, состоящими из имени параметра и области допустимых значений (ОДЗ) этого параметра.

Кроме определения условий параметры используются:

- для задания текущего состояния предметной области в виде набора имен параметров с их текущими значениями и;

- для задания требуемых значений в виде набора имен параметров с их ОДЗ.

Постановка задачи. Имея описание проблемной области можно приступать к решению задачи, которая может быть сведена к следующему виду.

Имеется интеллектуальная система, для которой применим определенный набор операций. Кроме того, интеллектуальная система находится в известном (определяемом) состоянии. Необходимо спланировать последовательность операций, после выполнения которых интеллектуальная система перейдет в требуемое состояние.

Решение задачи. Решение задачи планирования операций (плана перехода из текущего состояния в требуемое) может включать несколько шагов. На начальном шаге происходит сравнение требуемого состояния предметной области с текущим. При несовпадении формируется запрос к модели предметной области для поиска множества операций, необходимых для перевода в требуемое состояние. По этому запросу выбираются и условия возможности выполнения операций, из которых формируется требуемое состояние для следующего шага планирования и т.д. до тех пор, пока на одном из шагов планирования не будут устранены различия между текущим и требуемым состояниями.

Реализация сформированного плана.

1. Реализация осуществляется с выдачи команд, сформированных на последнем шаге планирования, а заканчивается выдачей операций, сформированных на первом шаге планирования.

2. Для контроля правильности исполнения операций i-го шага планирования необходимо S_пер_i сравнить с S_тек_i. При несовпадении текущих значений S_тек_i и ОДЗ S_пер_i – начать планирование непрошедших операций, т.е. S_ц = S_пер_i.

3. Для контроля воздействий внешней среды необходимо сравнить S_тек с S_цi при реализации операций i-го шага планирования. При несравнении начать планирование операций, компенсирующих воздействия внешней среды. С этой целью S_ц0 = S_цi.

При решении задач управления объектами реального мира, т.е. переводе из текущего состояния в требуемое, создается предметная область по правилам, описанным выше, а с помощью требуемого состояния задается цель управления, для достижения которой необходимо спланировать наборы операций. Текущее состояние в этом случае будет соответствовать реальному состоянию проблемной области.

Могут также решаться задачи удержания определенного состояния интеллектуальной системы независимо от изменений внешней среды и других возмущений. В этом случае в качестве целевого задается состояние, которое необходимо удержать. Тогда при очередном сравнении состояний будут планироваться операции возврата в требуемое состояние при обнаружении различий.

Пример описания проблемной области «Выполнение заказа» с использованием интегрированной модели представления знаний.

Содержание задачи. В офисе фирмы по сборке компьютеров на заказ менеджер работает с клиентами: консультирует, принимает заказ, оформляет и после оплаты передает заказ на сборку компьютера соответствующей конфигурации. В сборочном подразделении осуществляется сборка компьютера, запасные части для которого поставляются со склада в соответствии с заявкой на сборку. Для простоты примера, составными сборочными частями компьютера считаются: системный блок, монитор, клавиатура, мышь. Для сборки ПК из поступивших сборочных частей необходимо выполнить следующие операции: установить все части на стол, соединить их и протестировать. Если тест прошел, то компьютер считается собранным и передается клиенту. В этом случае заказ считается выполненным.

Описание проблемной области в данном случае будет содержать описание параметров и операций.

Параметры.

П1 – монитор в наличии.

П2 – системный блок в наличии.

П3 – клавиатура в наличии.

П4 – мышь в наличии.

П5 – монитор на столе.

П6 – системный блок на столе.

П7 – клавиатура на столе.

П8 – мышь на столе.

П9 – есть подключение.

П10 – компьютер готов.

Операции.

Код операции	Условия контроля			Условия возможности выполнения			Содержание
	Имя параметра	ОДЗ		Имя параметра	ОДЗ
	Имя параметра	НГ	ВГ	Имя параметра	НГ	ВГ
ОП1	П5	1	1	П1	1	1	Установить монитор на стол
ОП2	П6	1	1	П2	1	1	Установить системный блок на стол
ОП3	П7	1	1	П3	1	1	Установить клавиатуру на стол
ОП4	П8	1	1	П4	1	1	Установить мышь на стол
ОП5	П9	1	1	П5 П6 П7 П8	1 1 1 1	1 1 1 1	Осуществить подключение
ОП6	П10	1	1	П9	1	1	Протестировать ПК

Методические указания:

При изучении второго вопроса темы:

· читать: Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы: Учебник. – М.: Финансы и статистика, 2004. – 424 с. (гл. 6);

· Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике / 3-изд. доп. – М.: СИНТЕГ, 2002. – 306 с.;

· Змитрович А.И. Интеллектуальные информационные системы. – Тетра Системс, Минск, 1997. – 365 с.;

Выполнить практическое задание № 2.

Для самопроверки тем 2–4 необходимо ответить на вопросы и выполнить задания:

1. Охарактеризовать основные подходы к представлению знаний.

2. Какие существуют формы представления знаний?

3. Раскрыть логическую модель представления знаний.

4. Содержание продукций.

5. Раскрыть структуру продукции.

6. Как осуществляется выбор модели представления знаний?

7. Определить семантическую модель представления знаний.

8. Представить пример семантической сети.

9. На основе чего формируются связи в сетевых моделях?

10. Какие существуют формы фреймового представления знаний?

11. Фреймовая модель знаний.

12. Пример табличной формы фреймового описания.

13. Содержание смешанной модели представления знаний.

14. Что понимается под управлением знаниями предприятия?

15. Каковы правила формирования базы знаний?

16. Для решения каких задач необходимы базы знаний?

Практикум по курсу

Практическое задание № 1. Используя Байесовский подход к представлению нечетких знаний и данных, разработать базу знаний и реализовать ее в среде MiniES ЭС для решения задач классификации.

План практических занятий по темам 1–2:

1. Выбор подходящей проблемы.

2. Сбор статистических данных.

3. Формализация проблемной области. Расчет условных вероятностей.

4. Изучение оболочки MiniES.

5. Реализации задачи.

6. Тестирование ЭС.

Составление отчета обо всех этапах проделанной работы.

Практическое задание № 2. Используя продукции и нечеткую логику для представления нечетких знаний и данных, описать проблемную область и реализовать в среде ИнтерЭксперт (GURU) базу знаний для решения задач классификации.

План практических занятий по темам 3–4:

1. Выбор подходящей проблемы.

2. Идентификация проблемной области.

3. Построение концептуальной модели.

4. Формализация базы знаний (проблемной области).

5. Изучение оболочки MiniES.

6. Реализации задачи.

7. Тестирование ЭС.

8. Составление отчета обо всех этапах проделанной работы.

Для проведения итогового контроля необходимо:

изучить вопросы:

1. Понятие экспертной системы.

2. Назначение экспертной системы.

3. Функциональные возможности экспертной системы.

4. Особенности применения экспертной системы.

5. Классы решаемых задач в экспертной системе.

6. Задачи анализа и синтеза решений.

7. Классификация экспертных систем.

8. Архитектура экспертной системы.

9. Понятие и организация базы знаний.

10. Назначение программных средств экспертной системы.

11. Классификация программных средств экспертной системы.

12. Технология извлечения знаний.

13. Какие существуют формы представления знаний?

14. Этапы создания экспертной системы.

15. Состав участников процесса создания экспертной системы.

16. Роли инженера по знаниям, эксперта и пользователя экспертной системы.

17. Прототипная разработка баз знаний.

18. Применение баз знаний в бизнесе.

19. Построение деревьев целей.

20. Структура правил базы знаний для статической экспертной системы.

21. Методы логического вывода в базах знаний для статических экспертных систем.

22. Понятие неопределенности знаний.

23. Методы обработки неопределенности данных и знаний.

24. Лингвистическая переменная и функция принадлежности.

25. Принятие решений в условиях неполноты и недостоверности данных.

26. Применение баз знаний в динамических экспертных системах.

27. Построение модели поведения объектов.

28. Планирование и мониторинг действий в динамичной среде.

29. Базы знаний в самообучающихся системах.

30. Индуктивный вывод знаний.

31. Базы знаний экспертных систем в менеджменте.

32. Базы знаний экспертных систем для экономического анализа.

33. Экспертные системы управления бизнес-процессами.

34. Консультирующие экспертные системы.

35. Ассистирующие экспертные системы.

36. Обучающие экспертные системы.

37. Многоагентные (интегрирующие) экспертные системы.

Выполнить следующее типовое задание:

Темы лабораторных работ по разработке баз знаний ИИС:

1. Оценка кредитоспособности предприятия.

2. Планирование финансовых ресурсов предприятия.

3. Формирование портфеля инвестиций.

4. Страхование коммерческих рисков.

5. Выбор коммерческого банка.

6. Выбор стратегии производства.

7. Оценка конкурентоспособности продукции.

8. Выбор стратегии ценообразования.

9. Выбор поставщика продукции.

10. Подбор кадров.

Предложенная тематика лабораторных работ может быть расширена с учетом интересов студентов.

1. Оценка кредитоспособности предприятия.

Назначение ЭС – определение возможности предоставления кредита предприятию со стороны банка для осуществления кредита.

Предприятие предоставляет технико-экономическое обоснование проекта, в котором указывается цель, ожидаемая эффективность (коэффициент и срок окупаемости), ресурсное обеспечение. Одновременно предприятие представляет финансовые документы: баланс и отчет о доходах, на основе которого делается заключение о финансовом положении. Банк должен всесторонне проверить ликвидность, доходность, задолженность, оборачиваемость средств предприятия. В результате анализа совокупного рейтинга предприятия, рассчитываемого в виде фактора уверенности, а также сравнения возможностей банка с выставленными предприятием условиями кредитования (размер, процентная ставка, срок и др.) банк принимает решение о предоставлении или непредоставлении кредита.

2. Планирование финансовых ресурсов предприятия.

Назначение ЭС – определение источников финансовых средств развития предприятия в зависимости от стратегических целей и формы предприятия, структуры капитала, состояния товарного, кредитного и фондового рынков.

В соответствии с планируемой целью (размер получаемой прибыли) для данной сферы деятельности определяется размер требуемого капитала. С учетом формы распределения доходов и полученных финансовых результатов выявляется возможность рефинансирования полученной прибыли в производство. В случае недостаточности собственных средств в зависимости от состояния финансового рынка определяется возможность получения кредитов, выпуска акций или облигаций и выбирается наиболее оптимальный результат. При этом могут быть выданы рекомендации по изменению формы предприятия.

3. Формирование портфеля инвестиций.

Назначение ЭС – формирование портфеля инвестиций в соответствии с целями и ограничениями инвестора. В состав портфеля инвестиций могут входить разнотипные ценные бумаги, которые должны соответствовать требуемому уровню доходности и срочности, допустимой степени риска портфеля.

Инвестор сообщает о себе следующие сведения: сумму и цели инвестирования, возраст, социальный статус, семейное положение, общую задолженность.

В качестве целей инвестиций могут быть:

- надежное сбережение капитала;

- получение максимального текущего дохода;

- стабильный рост капитала и др.

Экспертная система должна сопоставить цели инвестора и его состояние, т.е. насколько допустимая степень риска в его положении соответствует достижимости целей. В позитивном случае для инвестора формируется подходящий состав портфеля, в котором задаются процентные соотношения рисковых и безрисковых видов инвестиционных средств. Далее для каждого вида инвестиций из базы данных подбираются конкретные инвестиционные средства, для которых осуществляется расчет совокупного дохода и риска.

4. Страхование коммерческих кредитов.

Назначение ЭС – определение условий страхования кредита предприятия страховой компанией (предоставление льгот, страхование на обычных условиях, отказ) и расчет конкретных тарифов в зависимости от принятых условий.

Риск возврата кредита определяется финансовым состоянием предприятия-должника, для чего анализируется его платежеспособность, устойчивость, рентабельность, обеспеченность собственными средствами.

Уровень тарифной ставки зависит от срочности, размера и условий кредита, возможности предоставления льгот, опыта предшествующего кредитования. Тарифы страхования хранятся в базе данных. Коэффициенты изменения тарифов определяются экспертными правилами.

Тема разработки ЭС может быть модифицирована для других видов страхования: коммерческих, биржевых, валютных рисков и др.

5. Выбор коммерческого банка.

Назначение ЭС – подбор банков для финансового обслуживания предприятия в зависимости от его потребностей в проведении кассово-расчетных, кредитных, депозитных, трастовых операций.

В основе построения ЭС лежит экономический анализ деятельности предприятия, который предполагает выявление требований к финансовому обслуживанию предприятия. Например, характер производственной, сбытовой и закупочной деятельности – требования к срочности и формам денежных платежей; наличие/отсутствие свободных средств – требования к депозитным/кредитным операциям.

По совокупности выявленных требований осуществляется выбор из базы данных списка подходящих банков, которые дополнительно тестируются с точки зрения финансовой надежности и возможности осуществления операций в определенных размерах.

6. Выбор стратегии производства.

Назначение ЭС – определение стратегии производства некоторого товара в зависимости от этапа жизненного цикла и возможностей предприятия.

Возможными стратегиями производства могут быть интенсивный рост (совершенствование товара, расширение границ рынка, глубокое внедрение на рынок), интеграционный рост (регрессивная, прогрессивная, горизонтальная интеграция), диверсификационный рост (концентрическая, горизонтальная, конгломератная диверсификация).

Этапы жизненного цикла характеризуются темпом роста сбыта, числом потребителей, долей занятого рынка, числом конкурентов, прибыльностью. Возможности предприятия определяются производственным, научно-техническим, финансовым, маркетинговым потенциалом, конкурентоспособностью продукции.

7. Оценка конкурентоспособности продукции.

Назначение ЭС – оценка уровня конкурентоспособности продукции, которая используется при решении маркетинговых задач.

Оценка уровня конкурентоспособности складывается из оценок технических, эксплуатационных, эргономических, надежностных, экономических характеристик, каждая из которых описывается определенной совокупностью параметров. Параметры сопоставляются либо с принятыми стандартами и нормативами, либо с показателями лучших образцов продукции предприятий-конкурентов. Все показатели для сравнения хранятся в базе данных.

8. Выбор стратегии ценообразования.

Назначение ЭС – определение стратегии предприятия в ценообразовании на товары в соответствии с целью поведения на рынке, которой может быть:

- Обеспечение выживаемости (удержание позиций) на рынке.

- Максимизация прибыли посредством интенсивного роста производства.

- Завоевание лидерства на рынке путем повышения качества товара (обслуживания) или применения гибкой ценовой политики.

В качестве методов ценообразования используются: средние издержки плюс прибыль, установление цены на основе уровня текущих цен, обеспечение целевой прибыли, установление цены на основе значимости товара.

На выбор стратегии ценообразования влияют тип рынка (различные сочетания конкуренции и монополии), эластичность спроса, уровень издержек на предприятии и его положение на рынке и др. Качественные параметры состояния рынка должны быть выведены из базы данных о поведении конкурентов на рынке и состоянии производства и сбыта на предприятии.

9. Выбор поставщика продукции.

Назначение ЭС – выбор надежного поставщика продукции с учетом требуемого уровня качества, цены, технического обслуживания и условий поставки.

Уровень качества и цены продукции определяются особенностями производственной стратегии, а условия поставки (доставки, оплаты) – особенностями финансового положения предприятия – получателя продукции.

По сформированным требованиям к поставляемой продукции из базы данных отбираются потенциальные поставщики, которые тестируются с позиции финансового положения и оценки репутации поставщика.

10. Подбор кадров.

Назначение ЭС – формирование списка вакантных должностей, на которые может претендовать по своим данным кандидат, обратившийся в отдел кадров предприятия (службу занятости). В частности, этот список может оказаться пустым. Соответствие кандидата вакантной должности (рейтинг) задается с определенным фактором уверенности.

Особенности решения задачи связаны с тем, что ЭС настраивается на требования и характеристики кандидата на должность. Так, на основе анкетных данных осуществляется расчет рейтинга кандидата на все подходящие должности. При этом тестируются профессиональные, деловые и психологические качества. Для отобранных должностей осуществляется проверка по базе данных вакансий и удовлетворение требований кандидата.

Требования к отчету по лабораторной работе

Отчет по лабораторной работе должен содержать следующие основные разделы:

1. Идентификация проблемной области.

2. Концептуальная модель проблемной области.

3. Формализация базы знаний.

4. Реализация экспертной системы.

5. Тестирование экспертной системы.

1. Идентификация проблемной области.

В этом разделе отчета сначала описывается неформальная постановка задачи, в которой обосновывается необходимость разработки экспертной системы и определяются источники получения экономической эффективности.

Далее приводится структурированный отчет параметров проблемной области:

Назначение: < консультирование, обучение, ассистирование и т.д. >

Сфера применения: < уточненная тема лабораторной работы, пользователи >

Класс решаемых проблем: < интерпретация (анализ), диагностика,

прогнозирование, проектирование, планирование и т.д. >

Критерии эффективности и ограничения: < экономические показатели >

Цель: < Имя целевой переменной (предиката) >

Ожидаемые результаты: < гипотезы – список возможных значений цели >

Подцели (промежуточные цели): < список имен переменных >

Исходные данные (факторы): < список имен переменных >

Особенности решения задач: < описание характеристик неопределенности,

динамичности решаемых задач, основных эвристик >

2. Концептуальная модель проблемной области.

В отчете приводятся следующие графические модели:

1. Объектная модель (ER-модель, схемы классификации объектов).

2. Функциональная модель (Дерево целей – граф «И – ИЛИ»).

3. Поведенческая модель (Таблица «Событие – Поведение – Состояние» – для разработки динамических экспертных систем).

3. Формализация базы знаний.

Осуществляется выбор методов логического вывода:

1. Прямой или обратной аргументации.

2. Обработки конфликтных наборов правил.

3. Алгоритмов объединения факторов уверенности.

4. Наследования атрибутов.

5. Ввода исходных данных.

4. Реализация экспертной системы.

Приводится распечатка базы знаний (наборов правил), базы данных (структуры и содержания файлов), текстов процедур.

5. Тестирование экспертной системы.

Приводятся распечатки прогонов тестовых примеров и объяснений полученных результатов. Число тестовых примеров должно соответствовать всем предполагаемым гипотезам для целевой переменной. Выполняются ручные расчеты факторов уверенности для подтверждения правильности понимания студентами машинных алгоритмов.

Литература

Основная:

1. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы: Учебник. – М.: Финансы и статистика, 2004. – 424 с.

2. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб: Питер, 2000. – 384 с.

3. Змитрович А.И. Интеллектуальные информационные системы. Тетра Системс, Минск, 1997. – 365 с.

4. Попов Э.В., Кисель Б.Б., Фоминых И.Б., Шапот М.В. Статические и динамические экспертные системы. – М.: Финансы и статистика, 1996. – 320 с.

5. Тельнов Ю.Ф., Диго С.М., Полякова Т.М. Интеллектуальные системы обработки данных. Учебное пособие. – М.: МЭСИ, 1989. – 102 с.

6. Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике / 3-изд. доп. – М.: СИНТЕГ, 2002. – 306 с.

7. Тельнов Ю.Ф., Скорова А.А., Андреева Н.В. Проектирование баз знаний. Учебное пособие. – М.: МЭСИ, 1992. – 100 с.

8. Уотерман Д. Руководство по экспертным системам / Пер. с англ.; под. ред. Стефанюка В.Л. – М.: Мир, 1989. – 388 с.

Дополнительная:

1. Дракин В.И., Попов Э.В., Преображенский А.Е. Общение конечных пользователей с системами обработки данных. – М.: Радио и связь, 1988. – 287 с.

2. Искусственный интеллект. Книга 1. Системы общения и экспертные системы / под ред. проф. Э.В. Попова. – М.: Радио и связь, 1990. – 461 с.

3. Искусственный интеллект. Книга 2. Модели и методы / под ред. проф. Д.А. Поспелова. – М.: Радио и связь, 1990. – 304 с.

4. Искусственный интеллект. Книга 3. Программные и аппаратные средства / под. ред. В.Н. Захарова, В.Ф. Хорошевского. – М.: Радио и связь, 1990. – 2320 с.

5. Левин Р., Дранг В., Эделсон Б. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бэйсике / Пер. с англ. – М.: Финансы и статистика, 1991. – 239 c.

6. Нейлор К. Как построить свою экспертную систему / Пер. с англ. – M.: Энергоатомиздат, 1991. – 286 с.

7. Попов Э.В. Экспертные системы: Решение неформализованной задачи в диалоге с ЭВМ. – М.: Наука, 1987. – 283 с.

8. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных фактов. - М.: Радио и связь, 1989.- 184 с.

9. Построение экспертных систем / под ред. Ф. Хейос-Рот, Д. Уотерман, Д. Ленат; пер. с англ. – М.: Мир, 1987. – 441 с.

10. Представление и использование знаний / Пер. с япон.; под ред. Х. Уэно, М. Исидзука. – М.: Мир, 1989. – 220 c.

11. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональной ЭВМ./ Пер. с англ.- М.: Финансы и статистика, 1990.- 320с.

12. Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике. – М.: МЭСИ, 1998. – 187 с.

13. Форсайт Р. Экспертные системы: принципы и примеры. - М.: Радио и связь, 1987.

14. Элти Дж.,Кумбс М. Экспертные системы: концепции и примеры / Пер. с англ. - М.: Финансы и статистика, 1987.- 191 с.

Интернет-ресурсы:

http://www.raai.org/ – Российская ассоциация искусственного интеллекта

http://www.sas.com – компания SAS Institute

http://www.tern.ru – компания ТЕРН

http://www.gensym.com – компания Gensym

http://www.argussoft.ru – компания Argussoft

http://www.tora-centre.ru – компания ТОРА Центр

http://www.it.ru – компания АйТи

http://www.sap-ag.de – компания SAP AG

http://www.sag.de – компания Software AG

Глоссарий

Агент – это аппаратная или программная сущность, способная действовать в интересах достижения целей, поставленных пользователем.

Архитектура СОЗ - включает в себя: базу знаний (хранилище единиц знаний), механизм вывода заключений (решения), редактор базы знаний, подсистему объяснения получаемых результатов и интеллектуальный интерфейс.

База знаний - это совокупность единиц знаний, которые представляют собой формализованное с помощью некоторого метода представления знаний отражение объектов проблемной области и их взаимосвязей, действий над объектами и, возможно, неопределенностей, с которыми эти действия осуществляются.

Жизненный цикл изделия - определяется как множество взаимосвязанных процессов (стадий) создания и последовательного изменения состояния изделия, обеспечивающего потребности клиента.

Загадка - предполагает изображение или выражение, нуждающееся в разгадке, которая в принципе существует, но не известна тому, кто разгадывает. Понятие «загадка» близко к понятию «задача»: они в принципе разрешимы и для этого имеются необходимые средства.

Задача - имеет языковые средства, с помощью которых можно ясно и определенно сформулировать что дано, что требуется получить, а также имеются разнообразные средства, с помощью которых можно перейти от того, что дано, к тому, что требуется получить.

Извлечение знаний - предполагает изучение множества источников знаний, к которым относятся специальная литература, базы фактуальных знаний, отчеты о решении аналогичных проблем, а самое главное – опыт работы специалистов в исследуемой проблемной области – экспертов.

Индуктивные системы - проводят обобщение примеров по принципу от частного к общему. Их задача сводится к выявлению подмножеств примеров, относящихся к одним и тем же подклассам, и определению для них значимых признаков.

Интегрированная модель представления знаний - представляется множеством вершин и взвешенных связей между ними. Каждая вершина описывается атрибутами сущности.

Интеллект - способность кибернетической системы решать интеллектуальные задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.

Интеллектуальная задача - Относительно рассматриваемой кибернетической системы под ИЗ понимается такая задача, у которой хотя бы одна из трех составляющих – исходные данные (начальное состояние), требуемый результат (конечное состояние), модель процесса получения результата по исходным данным (алгоритм перевода из начального состояния в конечное) – отсутствует или имеет хотя бы один НЕ-фактор (недоопределенность, неточность, некорректность, нечеткость и др.).

Интеллектуальный интерфейс - обеспечивает обмен данными между конечным пользователем и ЭС, воспринимая сообщения пользователя и преобразуя их в форму представления базы знаний и, наоборот, переводя внутреннее представление результата обработки в формат пользователя и выдавая сообщение на требуемый носитель.

Искусственный интеллект - одно из направлений информатики, цель которого – разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на ограниченном подмножестве естественного языка.

Модель предметной области - определяется как отражение в интеллектуальной системе элементов и признаков РМ, их отношений.

Поиск методом редукции - решение задачи сводится к решению совокупности образующих ее подзадач.

Предикат - логическая функция, предназначенная для выражения свойств объектов реального мира или связей между ними. Выражения, в которых утверждается или отрицается наличие каких-либо свойств у объекта, называются высказываниями.

Проблема - в принципе разрешима, но средства для ее выявления, формулирования и решения необходимо создать.

Развитые коммуникативные методы - позволяют СИИ организовывать различные виды взаимодействия (интерфейса) самой системы с реальным миром.

Роботы - электромеханические устройства, предназначенные для автоматизации человеческого труда.

Семантические сети - это формализация знаний в виде ориентированного графа с размеченными вершинами и дугами. В качестве вершин сети выступают понятия, факты, объекты, события, состояния, ситуации и т.д., а в качестве дуг сети – отношения, которыми вершины связаны между собой.

Системы, основанные на знаниях (экспертные системы) - предназначены для решения достаточно трудных для пользователя задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области.

Сложные плохоформализуемые 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.

Способность к обучению и самообучению - это возможность автоматического извлечения знаний для решения задач из накопленного опыта конкретных ситуаций как с «учителем», так и без «учителя».

Сценарий - формализованное описание стандартной последовательности взаимосвязанных фактов, определяющих типичную ситуацию предметной области.

Тест Тьюринга - если поведение машины, отвечающей на вопросы, невозможно отличить от поведения человека, отвечающего на аналогичные вопросы, то она обладает интеллектом.

Управление знаниями - деятельность, направленная на сохранение опыта корпорации и правильное применение накопленных знаний. Знания приобретают разные формы, и поэтому ими становится сложнее управлять.

Факторы уверенности - могут рассматриваться и как весовые коэффициенты, отражающие степень важности аргументов в процессе вывода заключений. Итоговые факторы уверенности получаемых решений главным образом отражают порядок достоверности результата, а не его точность, что вполне приемлемо во многих задачах.

Фрейм - это единица представления знаний, детали которой могут изменяться в соответствии с текущей ситуацией.

Эволюционный алгоритм - это оптимизационный метод, базирующийся на эволюции популяции «особей».

Эвристический поиск - используется некоторая информация о предметной области для рассмотрения не всего пространства поиска, а таких путей в нем, которые с наибольшей вероятностью приводят к цели.

Экспертные оценки - выявление коллективного мнения (группы) специалистов.