Понятие интеллектуальной информационной системы

####04/09/10### 

«Понятие  интеллектуальной информационной системы» 

      Около полувека назад зародился как  наука искусственный интеллект  на основе которого создавались первые интеллектуальные информационные системы. В России первой такой системой называлась «логик-теоретик» предназначенная для доказательства теорем и исчисления высказываний. В первые её работа была продемонстрирована 9.08.1956 г. В настоящее время ИИС проникли во все сферы нашей жизни, основной целью построения которых является выявление, исследование и применение знаний высоко классифицированных экспертов для решения сложных задач возникающих на практике. В таких системах знания представляются в виде конкретных правил, решения тех или иных задач, т. е. Имитируется человеческое искусство анализа, неструктурированных или слабо структурированных проблем. Основным элементом ИИС является база знаний, для генерации алгоритмов решения прикладных задач в зависимости от конкретных потребностей пользователя. Признаки ИИС:

1. Развитые коммуникативные способности то есть взаимодействует с конечным пользователем в виде диалога.
2. Умение решать сложные, плохо формализуемые задачи то есть задачи которые требуют построение оригинального алгоритма в зависимости от конкретной ситуации или имеющие неопределенность исходных данных и знаний.
3. Способность к самообучению то есть умение системы накапливать опыт, а затем применять его для решения задач.
4. Адаптивность то есть способность системы к развитию в соответствии с изменениями в области знаний.

Классификация ИИС:

1. Системы с интеллектуальным интерфейсом, содержит 5 видов ИИС:

1.1 Интеллектуальные  базы данных, позволяют в отличии  от традиционных обеспечивать  выборку необходимой информации  присутствующей в неявном виде, а выводимой из совокупности  хранимых данных.

1.2 Естественно языковой интерфейс применяется к ИБД, а также пока документальной информации, голосового ввода команд в системах управления и машинного перевода с иностранных языков.

1.3 Гипертекстовые  системы, используются для реализации  поиска по ключевым словам  в базах данных с текстовой информацией.

1.4 Системы контекстной  помощи, относятся к классу систем  распространения знаний, в них  пользователь описывает проблему, а система на основе дополнительного  диалога, конкретизирует её и  выполняет поиск необходимых  рекомендаций, такие системы называются системой поддержки принятия решений(СППР).

1.5 Системы когнитивной  графики, ориентированы на общение  с пользователем с помощью  графических образов, Когнитивная  графика позволяет в наглядном  и выразительном виде представить множество параметров характеризующих получаемое явление, освобождает пользователя от анализа простейших ситуаций, способствует быстрому освоению программных средств и повышению конкурентно способности разрабатываемых ИИС. Используется в системах мониторинга в обучающих и тренажерных системах, в системах принятия решений(работают в режиме реального времени).

2. Экспертные системы делятся на:

2.1 Классифицирующие  ЭС, решают задачи распознавания  ситуации по конкретным признакам,  метод — дедуктивный логический  вывод.

2.2 До определяющие  ЭС, используются для решения  задач с не полностью определенными  данными и знаниями, методы —  это Байесовский вероятностный  метод. Коэффициент неуверенности  и нечеткая логика.

2.3 Трансформирующие  ЭС, относятся к динамическим  экспертным системам, в которых предполагается повторяющееся преобразование знаний в процессе решения задачи, методы — генерация и проверка гипотез, логика предположений и умолчаний, использование мета знаний для устранения неопределенностей в ситуациях.

2.4 Мульти агентные системы — это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний которые обмениваются между собой результатами в ходе решения задачи. Возможности:

а) Распределенное решение проблем разделенных  на параллельно решаемые самостоятельными источниками знания.

б) Реализация альтернативных рассуждений на основе использования  различных источников знания и механизма  устранения противоречий.

в) Применение различных  стратегий вывода в зависимости  от типа решаемой проблемы

г) Обработка больших массивов информации из баз данных.

д) Использование  математических моделей и внешних  процедур для имитации развития ситуации.

3. Самообучающиеся системы, основанные на методах автоматической классификации ситуации из реальной практики или обучение на примерах. Выделяют две стратегии: обучение с учителем, предполагает задание специалистом для каждого примера значение признаков показывающих его принадлежность к определенному  классу ситуации; обучение самостоятельно, предполагает самостоятельное выделение классов ситуации по степени близости значения признаков, выделяют:

3.1 Индуктивные  системы позволяют обобщать примеры  процедура обобщения сводиться  к классификации примеров по  значимым признакам. Алгоритм: выбор  классификационного признака из  множества данных; разбиение множества примеров на подмножества по значению выбранного признака; проверка принадлежности каждого подмножества к  одному из классов; проверка окончания процесса классификации(если какое то подмножество примеров принадлежит одному классу то у всех примеров совпадает значение классификационного признака, то процесс заканчивается); для подмножества примеров с несовпадающими значениями признаков процесс распознавание начинается с первого шага.

3.2 Нейронные  сети, представляет собой классический пример технологии основанной на примерах, используются при решении задач обработки сигналов и изображений, распознавание образов, а также для прогнозирования.

3.3 Системы основанные  на прецедентах(ситуация), имеет  базу знаний которая содержит описание конкретных ситуаций, поиск решения осуществляется на основе аналогии и включает следующие этапы:

1) Получение  информации о текущей проблеме

2) Сопоставление  полученной информации со значениями  признаков прецедентов из базы  данных.

3) Выбор ситуации из базы данных наиболее близкой к рассматриваемой проблеме.

4) Адаптация  выбранного прецедента к текущей  проблеме.

5) Проверка корректности  каждого полученного решения.

6) Занесение  детальной информации о полученном  решении в базу знаний, применяются:  для распространения знаний и в системах контекстной помощи.

3.4 Информационные  хранилища, представляют собой  хранилище значимой информации, регулярно извлекаемой из баз  данных, методы извлечения:  статистический  анализ и моделирование, используется  для оптимизации деятельности предприятия или фирмы.

4. Адаптивные ИС, требования:

1) Адекватно  отражать знания проблемной области  в каждый момент времени, так  как они постоянно меняются.

2) Быть пригодными  для легкой и быстрой реконструкции  при изменении проблемной среды, выделяют:

4.1 CASE-технологии, предполагает разработку информационной  системы с чистого листа, на  основе сформулированных требований, относиться к оригинальному проектированию.

4.2 Компонентные  технологии, осуществляет адаптацию  типовых разработок к особенностям проблемной области. 
 

Тема: «Понятие данных и знаний, понятие экспертной системы и этапы её разработки»

      1. Данные это отдельные факты  характеризующие объекты, процессы  и явления предметной области,  а также их свойства. При обработки  в ЭВМ данные трансформируются, проходя следующие этапы:

1) Наблюдение  и измерение

2) Данные на  машинных носителях

3) Модели данных  в виде графиков и диаграмм.

4) На языке  описания данных.

5) Базы данных  на машинных носителях.

      Знания  описывают не только отдельные факты, но и взаимосвязи между ними, поэтому их называют структурированными данными, следовательно при разработке ИИС сначала осуществляется накопление и представление данных, а затем знания представляются отдельными структурами данных удобными для обработки и хранения в ПК,  в ИИС знания могут иметь следующие формы:

1. Исходные знания
2. Исходные знания в виде модели представления знания это логические формулы, продукционные правила, семантическая сеть, иерархия фреймов и т. д.
3. Знания в виде структуры данных для хранения и обработки в ПК.
4. Базы знаний на машинных носителях.

Попытки решения  не формализованных задач привели  к формированию в области ИИ отдельного направления, инженерии знаний(ИЗ), суть которого состоит в выделении  знаний из предметной области и превращении их в базу знания. Знания это формализованная информация на которую ссылаются в процессе логического вывода. Два вида знаний:

1. Общедоступные это факты, теории, определения теорий из учебников, справочников и т. д
2. Индивидуальные это собственный опыт накопленный в результате многолетней работы, кроме того в работе знания делятся на:

1) Факты, фактические  знания. Это знания типа А это  А. Характерны для баз данных  и сетевых моделей.

2) Правила это  знания для принятия решений.  «Если А то Б»

3)Мета знания, указывают на знания касающиеся способа использования знаний, необходимы для управления базой данных, логическим выводом для  отождествления, обучения и т. д.

      На  характеристики ИИС оказывает форма  представления знаний, поэтому для  представления знаний разрабатываются формальные модели представления знаний. При разработке конкретной МПЗ учитывают следующие требования:

1. Представление знаний должно быть однородным, то есть единообразным.
2. Представление знаний должно быть понятно не только эксперту но и конечному пользователю.

      Выделяют 4 типичные МПЗ:

1. Логическая
2. Продукционная
3. Фреймовая
4. Модель семантической сети
2. Экспертная система это объединяющие возможности компьютера со знаниями и опытом эксперта в такой форме что система может предложить разумный совет или осуществить разумной решение поставленной задачи. ЭС как самостоятельное направление в ИИ сформировалось в конце 70ых годов. Область исследование ЭС называют инженерией знаний, состав ЭС:

1) База знаний

2) Механизм логических  выводов

3) База данных  для представления фактических знаний

4)* Модуль приобретения  знаний

5)* Пользовательский  интерфейс

6)* Модуль предложения  разумного совета с комментариями(модуль  советов и объяснений)

      Классификация ЭС:

1. По степени сложности(поверхностные и глубинные)
2. По степени связанности правил(связные и мало связные)
3. По типу модели предметной области(статический и динамические)
4. По стадиям разработки:

а) Демонстрационный прототип(10-100 правил)

б) Исследовательский  прототип(200-500 правил)

в) Действующий  прототип(500-1000 правил)

г) Промышленный образец(1000-1500 правил)

д) Коммерческий образец(1500-3000 правил)

5. По типу решаемых задач:

а) Интерпретирующие, т. е. Построение описаний ситуаций по наблюдаемым данным.

б) Прогнозирующие, вывод вероятных следствий из заданных ситуаций.

в) Диагностирующие, т. е. Заключение о нарушениях в системе исходя из наблюдений