Примеры прикладных интеллектуальных систем

Примеры интеллектуальных информационных систем

 

Intelligent Hedger:основанный на знаниях подход в задачахстрахования от риска от фирмы Information System Departm, New York University. Проблема огромного количества постоянно растущих альтернатив страхования от рисков, быстрое принятие решений менеджерами по рискам, а также недостаток машинной поддержки в процессе страхования от рисков предполагает различные оптимальные решения для менеджеров по риску. В данной системе разработка страхования от риска сформулирована как многоцелевая оптимизационная задача, которая включает несколько сложностей, с которыми существующие технические решения не справляются.

Система рассуждений в прогнозировании обмена валют. Фирма:Department of Computer Science City Polytechnic University of Hong Kong. Представляет новый подход в прогнозировании курсов валют, основанный на аккумуляции и рассуждениях с поддержкой признаков, присутствующих для фокусирования на наборе гипотез о движении обменных курсов. Представленный в прогнозирующей системе набор признаков — это заданный набор экономических значений и различные наборы изменяющихся во времени параметров, используемых в модели прогнозирования. Краткие характеристики: математическая основа примененного подхода базируется на теории Демпстера—Шейфера.

Nereid: Система поддержки принятия решений для оптимизацииработы с валютными опционами. Фирма: NТТ Dаtа, The Тоkai Ваnk, Sсiеnсе University of Тоkуо. Система облегчает дилерскую поддержку для оптимального ответа как один из возможных представленных вариантов. Краткие характеристики: система разработана с использованием фреймовой системы СLР, которая легко интегрирует финансовую область в приложение ИИ. Предложен смешанный тип оптимизации, сочетающий эвристические знания с техникой линейного программирования. Система работает на Sun-станциях.

PMIDSS: Система поддержки принятия решений при управлении портфелем. Разработчики:Финансовая группа Нью-Йоркского университета. Решаемые задачи: выбор портфеля ценных бумаг; долгосрочное планирование инвестиций. Краткие характеристики: смешанная система представления знаний, использование разнообразных механизмов вывода: логика, направленные семантические сети, фреймы, правила.

Так же примером могут служить

 

Примеры прикладных интеллектуальных систем

Геоинформационные системы. Геоинформационные системы являются хорошейсредой для внедрения методов искусственного интеллекта и экспертных систем. Это вызвано, с одной стороны, разнообразием и сложностью данных в ГИС, с другой – наличием большого числа экспертных задач при использовании ГИС. В частности, для ГИС созданы экспертные системы, применяемые для решения разных задач: получения композиции карт, выделения элементов нагрузки, получения тематических карт, поддержки принятия решений, построения оверлейных структур и др.

Выделяют три типа экспертных систем для ГИС:

 

• на уровне сбора информации − самоокупающиеся системы автоматизированного распознавания образов при обработке снимков или сканированных картографических данных;

 

• на уровне моделирования или композиции карт − ЭС автоматизированного редактирования картографических данных, оценки качества редактирования. Для управления и принятия решений применяются также ЭС всестороннего анализа атрибутивных данных, данных о запросах пользователей, о посредниках и т.д.;

• на уровне представления данных − ЭС для генерализации карт, размещения названий, создания издательских оригиналов.

Разработан ряд производственных ЭС для решения задач ГИС:

PROSPECTOR – консультационная система для оказания помощи при разведкеполезных ископаемых − разработана компанией SRI. Пользователями данной системы являются геологи и геологи-разведчики. В частности, она оказывает помощь при оценке местности, где производится разведка полезных ископаемых

В системе PROSPECTOR база знаний о рудном месторождении представлена в виде сети выводов. Это сеть связей и отношений между реальными показаниями и гипотезами, касающимися топографии и геологии. Узлами сети представлены утверждения и факты, например "слюда − это силикат" т. д.

 

Истинность или ложность утверждения содержат неопределенности и в начальном состоянии считаются неизвестными. В процессе вывода с помощью различных показаний вычисляются их значения. Иначе говоря, множество дуг сети соответствует правилу вывода, определяющему, каким образом вероятность некоторого утверждения влияет на вероятность другого утверждения.

Каждое утверждение определяется как пространство семантической подсети и показывает предположительное существование вещества, имеющего специфические свойства, или вещества, состоящего в специфической связи. Отношение множеств терминов "элемент − часть", относящихся к веществам, описаны с помощью классификационной сети. Примером такого отношения является "биотит − это слюда", "слюда − это силикат", "силикат − это минерал".

Система PROSPECTOR снабжена интерфейсом естественного языка и основана на ортодоксальном методе, который заключается в том, что входное предложение подвергается структурному анализу, строится семантическая подсеть и с помощью программы сопоставления производится сравнение ее пространства с пространством базы данных на основе отношений множеств "младший − старший" и отношения паритета.

Медицинские системы. В последние10 – 15лет для решения задач диагностики исистем принятия решений в медицине широко привлекаются методы искусственного интеллекта. Их компьютерная реализация осуществляется в виде экспертных систем (ЭС). Медицина относится к числу тех областей деятельности, где применение ЭС может дать существенный эффект. Большие диагностические и лечебные возможности экспертных систем связаны с тем, что их базы знаний могут включать знания большого числа специалистов о возможных диагностических признаках того или иного заболевания, видах его проявления, ходе его протекания, о взаимосвязях с факторами смежных областей; учитывать особенности конкретных пациентов, поддерживать принятие решений в критических точках лечебного процесса и т. д. и в итоге накапливать большой объем сведений о заболеваниях и их формах, превышающий знания одного человека (или одной школы). Эти свойства экспертных систем делают их эффективным диагностическим средством, гарантирующим учет всех диагностических признаков и анализ влияния всех факторов, что практически исключает ошибки при построении диагноза

Приведем примеры таких систем.

Система MYCIN была спроектирована для ассистирования врачам в диагностике и назначении курса лечения при инфекционных церебральных заболеваниях. Медицинские знания о заболеваниях представлялись в виде продукционных правил "ЕСЛИ – ТО" в сочетании с коэффициентами неопределенности. Всего в систему было включено около 500 правил.

В системе CASNET (диагноз и прогнозирование течения глаукомы) рассматриваются ассоциативные связи между булевыми комбинациями результатов различных исследований

и единственным патофизиологическим состоянием, которое оценивается с некоторым коэффициентом доверия. В CASNET используются правила, связывающие с заданным правдоподобием эффект s_j, следующий в результате появления причины s_i. Кроме того, были предложены правила классификации, позволяющие по булевым комбинациям подтверждения или неподтверждения состояний указать диагностическое утверждение.

Система EXPERT позволяет задать продукционные правила с определенным уровнем доверия и иерархию этих правил. Эта система используется в ревматологии, эндокринологии и офтальмологии.

Система INTERNIST предназначена для диагностики внутренних заболеваний (более 500 заболеваний). В этой системе используются взаимосвязи двух видов: симптом – заболевание (частота встречаемости) и заболевание – симптом (интенсивность проявления).

MYCIN, EXPERT, CASNET являются логическими системами в том смысле, что взаимосвязи между всеми видами наблюдений за пациентами формируют основу вывода "ЕСЛИ – ТО", но сам вывод не обязательно имеет строго определенный характер, который связан с коэффициентами доверия или коэффициентами неопределенности.

Перечисленные выше системы считаются в настоящее время классическими в своей области и применяются в учебных целях.

Примеры интеллектуальных систем в экономики

1. FliPSiDE (разработчик Case Western Reserve University) – система логического программирования финансовой экспертизы. Даная система позволяет решать такие задачи, как мониторинг состояния рынка ценных бумаг; мониторинг состояния текущего портфеля ценных бумаг; обзор будущих условий рынка; планирование и организация продаж. В качестве платформы программирования в системе используется язык Пролог. Оригинальным решением, используемым в системе, стало применение парадигмы «Классной доски», описанной Ньюэллом. На «Классной доске» представляются исходные данные для различных знаний.

2. Splendors – система управления портфелем ценных бумаг. Данная система относится к классу систем реального времени и использует специализированный язык высокого уровня Profit. Система Splendors предоставляет возможности создания портфеля инвестиций как для опытных программистов на языке Си, так и для непрограммирующего финансового аналитика. Оптимальные инвестиционные портфели строятся в реальном масштабе времени за счет игры на учете быстрых изменений на фондовой бирже. Система отличается большой гибкостью, что позволяет достигать разнообразных инвестиционных целей в условиях быстро меняющихся данных.

3. PMIDSS (разработчик Финансовая группа Нью-Йоркского университета) – система поддержки принятия решений при управлении портфелем инвестиций. В число решаемых системой задач входят: выбор портфеля ценных бумаг; долгосрочное планирование инвестиций. Данная ЭС является смешанной системой представления знаний и использует разнообразные механизмы ввода.

4. Le Courtier (фирмы Cognitive System Inc.) – система ассистент-эксперт для менеджера портфеля инвестиций. Система предназначена для поддержки процесса определения инвесторами своих предпочтений и управления портфелем инвестиций. Данная ЭС обладает мощным языковым интерфейсом, в качестве механизмов вывода использует эвристические правила.

5. ИНТЕР-ЭКСПЕРТ (НПО «Центрпрограммсистем»). Эта система является русифицированным вариантом гибридной оболочки GURU, разработанной фирмой Micro Data Base System, и ориентирована в основном на решение экономических задач. Для представления знаний в ней применяются правила продукции if... then. При обработке знаний используются как прямой, так и обратный методы вывода (см. п. 3.3). В системе учитывается неопределенность знаний (правилу можно присвоить приоритет и цену, а логические выводы можно выдавать с учетом факторов уверенности). Во время работы можно использовать информацию из Dbase III, Lotus 1-2-3. ИНТЕР-ЭКСПЕРТ может обновлять записи баз данных, исполнять процедурные программы. В системе предусмотрена связь с удаленными компьютерами, обеспечивающая двусторонний диалог и передачу файлов. Система написана на языках Си и Ассемблер. Дополнительными средствами, предоставляемыми системой, являются: встроенные база данных и текстовый процессор, электронные ведомости, графика, средства генерации отчетов и управления сложными формами, статистический анализ, выполнение стандартных запросов на языке SQL, многофункциональный вычислитель.

 

Домашняя работа

Привести 2 примера интеллектуальных систем и рассказать о них (примеры не должны совпадать, первый кто находит скидывает в чат в вот сап, чтобы их больше не занимали)