double arrow

Особенности экспертных систем

Тема

Рис. 8. Связь моделей предприятия

Моделирование системы начинается с описания процессов, которое осуществляется с помощью двух типов моделей:

модели потока данных и описания процессов. Одновременно проводится анализ структуры данных посредством специфика-

ции данных и нахождения взаимосвязей между ними. На выходе этих двух моделей получаем функциональную модель, ко-

торая ложится в основу модели базы данных. На основании описания процессов и логической модели данных составляется

спецификация программы. После этого производится кодировка программы, которая осуществляет обработку данных, за-

прашиваемых из базы.

Тема 8. ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ 8.1. АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА РАЗНЫХ УРОВНЯХ УПРАВЛЕ- НИЯ ОРГАНИЗАЦИЕЙ Решения, которые нужно принимать менеджерам фирмы, очень разнообразны. На одном уровне решения варьируются от структурированных до неструктурированных. Структурированные решения – это повторяющиеся, соответствующие заведенному порядку решения, для принятия ко- торых фирмой разработана некоторая процедура. Примером могут служить задачи и решения, связанные с дебиторскими расчетами, или выплата заработной платы работникам. Неструктурированные решения – это, наоборот, решения, которые не соответствуют заведенному порядку и даже уни- кальны. Для принятия таких решений нет заранее согласованной процедуры, и лицо, принимающее такое решение, должно руководствоваться собственными суждениями, оценками и интуицией. Например, это могут быть решения относительно дизайна нового товара или стратегии выхода на новый рынок. Многие решения, находящиеся между этими двумя, носят на- звание частично структурированных решений, означающее, что только на часть проблемы можно дать четкий ответ с помо- щью заранее согласованной процедуры. Решения в управлении классифицируют не только по степени наличия структуры, но также и по уровням организации, на которых они возникают. Решения могут относиться к оперативному, тактическому и стратегическому уровням организа- ции. Решения оперативного уровня обычно касаются структурно определенных, повседневных и сравнительно простых во- просов, таких, как продажи, денежные поступления, выплаты заработной платы, решения о предоставлении кредитов или о материальных потоках. Операционные менеджеры контролируют повседневную деятельность и решают, кто и как будет выполнять узкопрофессиональные задачи, а также как лучше распределить ресурсы и когда считать работу завершенной. Решения на тактическом уровне имеют тенденцию к меньшей структурной определенности. Они связаны с мониторин- гом и контролем производительности и эффективности использования ресурсов. В качестве примера можно привести составле- ние ежегодного бюджета, анализ затрат, контроль над товарно-материальными запасами, календарное планирование производ- ства и другие виды деятельности, затрагивающие функционирование операционных подразделений. Некоторые решения управленческого контроля частично структурированы и включают анализ «что, если», для которого может потребоваться как внешняя, так и внутренняя информация. Решения на стратегическом уровне обычно охватывают сложные, структурно не определенные вопросы высшего уров- ня. Стратегические решения определяют цели, ресурсы и политику организации, а также пытаются предсказать будущее ор- ганизации и деловой среды, в которой работает организация. Такими решениями могут быть планирование рабочей силы, составление прогнозного бюджета на пять лет вперед и планирование прибыли. 8.2. ТЕХНОЛОГИИ ХРАНИЛИЩ ДАННЫХ Во всем мире организации накапливают или уже накопили в процессе своей деятельности большие объемы данных. Эти коллекции данных хранят в себе большие потенциальные возможности по извлечению новой, аналитической информации, на основе которой можно и необходимо строить стратегию фирмы, выявлять тенденции развития рынка, находить новые решения, обусловливающие успешное развитие в условиях конкурентной борьбы. Для того чтобы обеспечить возможность анализа накопленных данных, организации стали создавать хранилища данных (Data Warehouse). Хранилище данных – это централизованный архив реорга- низованных данных: предметно-ориентированных, интегриро- ванных, расположенных с соблюдением хронологии, и неизмен- ных, являющихся основой для поддержки принятия решений. Концепция хранилищ данных была предложена в 1992 году. Биллом Инмоном и стала одной из доминирующих в раз- работке информационных технологий обработки данных 1990-х годов. Хранилище данных представляет собой многомерную базу данных, отделенную от операционных баз. Для многих храни- лищ основой организации данных служат реляционные модели баз данных (данные организованы в виде двумерных таблиц), но некоторые хранилища используют все модели баз данных (реляционные, иерархические и многомерные). В многомерных базах данные организованы в виде n -мерного куба, так что пользователь имеет дело с «сечениями» данных, например, по про- дуктам, районам, продажам, по времени и т.д. При этом выполнение запросов ускоряется. Основная цель создания хранилищ данных в том, чтобы сделать все значимые для управления бизнесом данные дос- тупными в стандартизованной форме, пригодными для анализа и получения необходимых отчетов. Чтобы достигнуть этого, необходимо извлечь данные из существующих внутренних и внешних машиночитаемых источников. Всем хранилищам данных свойственны следующие общие черты: • предметная ориентированность; • интегрированность; • привязка ко времени; • неизменяемость. Предметная ориентированность. Информация в хранилище данных организована в соответствии с основными аспек- тами деятельности предприятия (заказчики, продажи, склад и т.п.). Это отличает хранилище данных от оперативной базы данных, где данные организованы в соответствии с процессами (выписка счетов, отгрузка товара и т.п.). Предметная органи- зация данных в хранилище способствует как значительному упрощению анализа, так и повышению скорости выполнения аналитических запросов. Интегрированность. Исходные данные извлекаются из оперативных баз данных, проверяются, очищаются, приводятся к единому виду, в нужной степени агрегируются (т.е. вычисляются суммарные показатели) и загружаются в хранилище. Та- кие интегрированные данные намного проще анализировать. Привязка ко времени. Данные в хранилище всегда напрямую связаны с определенным периодом времени. Данные, вы- бранные из оперативных баз данных, накапливаются в хранилище в виде «исторических слоев», каждый из которых отно- сится к конкретному периоду времени. Это позволяет анализировать тенденции в развитии бизнеса. Неизменяемость. Попав в определенный «исторический слой» хранилища, данные уже никогда не будут изменены. Это также отличает хранилище от оперативной базы данных, в которой данные все время меняются, и один и тот же запрос, выпол- ненный дважды с интервалом в 10 минут, может дать разные результаты. Стабильность данных также облегчает их анализ. Хранилища данных могут быть разбиты на два типа: корпоративные хранилища данных (enterprise data warehouses) и киоски данных (data marts). Корпоративные хранилища данных содержат информацию, относящуюся ко всей корпорации и собранную из множест- ва оперативных источников для консолидированного анализа. Обычно такие хранилища охватывают целый ряд аспектов деятельности корпорации и используются для принятия как тактических, так и стратегических решений. Корпоративное хранилище содержит детальную и обобщающую информацию. Стоимость создания и поддержки корпоративных хранилищ может быть очень высокой. Обычно их созданием занимаются централизованные отделы информационных технологий, причем создаются они сверху вниз, то есть сначала проектируется общая схема, и только затем начинается заполнение дан- ными. Такой процесс может занимать несколько лет. Киоски данных содержат подмножество корпоративных данных и строятся для отделов или подразделений внутри ор- ганизации. Киоски данных часто строятся силами самого отдела и охватывают конкретный аспект, интересующий сотрудни- ков данного отдела. Киоск данных может получать данные из корпоративного хранилища (зависимый киоск) или, что более распространено, данные могут поступать непосредственно из оперативных источников (независимый киоск). После создания хранилищ данных наступает этап их использования для решения задач принятия решений. Технологии позволяют пользователям осуществить доступ к данным, сделать запросы, анализ и визуализацию данных. Технологии рабо- ты с хранилищами включают запросы к базам данных, системы интеллектуального анализа данных, оперативную аналити- ческую обработку. В качестве основных сфер применения хранилищ данных можно назвать: • сегментацию рынка; • планирование продаж, прогнозирование и управление; • проектирование и разработку новых видов продукции; • интеграцию цепочек поставок; • интеллектуальные технологии в организации бизнеса. 8.3. ТЕХНОЛОГИЯ ОПЕРАТИВНОГО АНАЛИЗА ДАННЫХ После того как данные получены, очищены, приведены к единому виду и помещены в хранилище, их необходимо ана- лизировать. Для этого используется технология OLAP – это OnLine Analytical Processing, т.е. оперативный анализ данных. OLAP – это один из способов добычи и анализа данных. Суть заключается в том, что информация представляется в виде многомерного куба с возможностью произвольного манипулирования ею. Технологии OLAP обеспечивают быстрый анализ разделяемой многомерной информации, который требует, чтобы OLAP -приложение предоставляло следующие возможности: высокую скорость, анализ, разделение доступа, многомерность, работу с информацией. Высокая скорость. Анализ должен производиться одинаково быстро по всем аспектам информации. Анализ. Должна существовать возможность производить основные типы числового и статистического анализа – предо- пределенного разработчиком приложения или произвольно определяемого пользователем. Разделение доступа. Доступ к данным должен быть многопользовательским, при этом должен контролироваться доступ к конфиденциальной информации. Многомерность. OLAP предоставляет максимально удобные и быстрые средства доступа, просмотра и анализа деловой информации за счет интуитивно понятной модели данных, организуя их в виде многомерных кубов. Осями многомерной системы координат служат основные атрибуты анализируемого бизнес-процесса. Практически всегда в качестве одного из измерений используется время. Внутри куба находятся данные, количественно характеризующие процесс, – так называемые меры. Пользователь, анализирующий информацию, может исследовать куб по разным направлениям, получать сводные (на- пример, по годам) или, наоборот, детальные (по неделям) данные и осуществлять прочие операции, которые необходимы ему для анализа. Работа с информацией. Приложение должно иметь возможность обращаться к любой нужной информации, независимо от ее объема и места хранения. Основное назначение OLAP -систем – поддержка аналитической деятельности, т.е. произвольных запросов пользовате- лей-аналитиков. Если системы регламентированной отчетности отвечают на вопросы типа «сколько было продано товара?» или «какова прибыль за последний месяц», то OLAP призван дать ответы на вопросы, «насколько надо увеличить расходы на рекламу, чтобы прибыль выросла на 15 %?» или «какие продукты будут в пятерке лучших по показателю прибыльности из наиболее продаваемых?». Цель OLAP -анализа – проверка возникающих гипотез. Анализируя некоторый показатель, например, объем продаж, данные можно представить в виде трехмерного (в упро- щенном примере) куба, гранями которого изображаются массивы данных по товарам, регионам и времени, а внутри куба находятся значения объема продаж. Выбирая конкретный товар, регион и временную точку, можно получить соответствующий показатель объема продаж. Такое простое представление данных обеспечивает мощный механизм для аналитических запросов. Каждый из массивов данных (граней куба или, как их называют, размерностей) может содержать не просто перечень значений, а набор деревьев или иерархию значений, где верхнее значение иерархии раскрывается стоящими ниже и т.д. В каждом кубе обязательно присутствует иерархия времени. На верхнем уровне расположены годы (десятилетия), ниже – кварталы, затем месяцы, недели, дни. Для каждой размерности можно задать более одной иерархии и обобщать их с различных точек зрения. Можно созда- вать связи (отношения) между размерностями, например, различные категории товаров, хранящихся в одной размерности, связаны с различными подразделениями компании. Достаточно важной операцией над кубом данных является срез и вращение куба, т.е. фиксация одного или нескольких значений размерностей и просмотр показателя по другим. Тем самым пользователь получает возможность анализировать показатель с различных точек зрения – товара или региона. Данные размерностей можно просматривать по различным уров- ням иерархии (например, время по кварталам и месяцам), а можно задавать и более сложные условия выборки или даже от- дельные значения. Многие программные средства позволяют накладывать условия на анализируемый показатель, т.е. выби- рать только значения показателя выше заданного (например, объем продаж более $150 000) или же минимальные и макси- мальные значения в каждом регионе отмечать отдельным цветом. Наряду с табличным представлением поддерживается и графическое, со всеми возможными видами графиков: столбчатых, диаграмм, точками и линиями на координатной оси, двух- и трехмерных. Наиболее интересные и сложные возможности анализа данных заключаются в прогнозировании и выявлении тенден- ций. Подобные вычисления основаны на построении функции экстраполяции на базе имеющегося (определяемого пользова- телем) набора исходных данных. Прогнозирование всегда существенно зависит от особенностей предметной области, по- этому универсальных алгоритмов экстраполяции не существует. Различные инструменты создания аналитических приложе- ний содержат несколько алгоритмов, основанных на линейном, экспоненциальном тренде и учете сезонных колебаний. В ряде систем помимо этого предлагается мощный математический аппарат, позволяющий создавать собственные алгоритмы на основе известных законов. 8.4. ТЕХНОЛОГИЯ ИЗВЛЕЧЕНИЯ ЗНАНИЙ «Data Mining» Появление технологии Data Mining связано с необходимостью извлекать знания из накопленных информационными системами разнородных данных. Возникло понятие, которое по-русски стали называть «добыча», «извлечение» знаний. В зарубежных источниках утвердился термин «Data Mining». Ключевое достоинство Data Mining по сравнению с предшествующими методами – возможность автоматического по- рождения гипотез о взаимосвязи между различными параметрами или компонентами данных. Поиск шаблонов производится методами, не ограниченными рамками априорных предположений о структуре выборки и виде распределений значений ана- лизируемых показателей. Примеры заданий на такой поиск при использовании Data Mining приведены в табл. 6. Еще одна важная особенность систем Data Mining – возможность обработки многомерных запросов и поиска много- мерных зависимостей. Уникальна также способность систем Data Mining автоматически обнаруживать исключительные ситуации, т.е. элементы данных, «выпадающие» из общих закономерностей. Выделяют пять стандартных типов закономерностей, которые позволяют выявлять методы Data Mining: • ассоциация; • последовательность; • классификация; • кластеризация; • временные закономерности. 6. Сравнение формулировок задач при использовании методов OLAP и Data Mining OLAP Data Mining Каковы средние показатели травматизма для курящих и некурящих? Встречаются ли точные шаблоны в описаниях людей, под- верженных повышенному травматизму? Каковы средние размеры телефонных счетов существую- щих клиентов в сравнении со счетами бывших клиентов (отказавшихся от услуг телефонной компании)? Имеются ли характерные портреты клиентов, которые, по всей вероятности, собираются отказаться от услуг телефонной компании? Какова средняя величина ежедневных покупок по украден- ной и не украденной кредитной карточке? Существуют ли стереотипные схемы покупок для случаев мошенничества с кредитными карточками? Ассоциация имеет место в том случае, если несколько событий связаны друг с другом. Например, исследование, прове- денное в супермаркете, может показать, что 65 % купивших кукурузные чипсы берут также и "кока-колу", а при наличии скидки за такой комплект "кока-колу" приобретают в 85 % случаях. Располагая сведениями о подобной ассоциации, менед- жерам легко оценить, насколько действенна предоставляемая скидка. Если существует цепочка связанных во времени событий, то говорят о последовательности. Так, например, после по- купки дома в 45 % случаях в течение месяца приобретается и новая кухонная плита, а в пределах двух недель 60 % новосе- лов обзаводятся холодильником. С помощью классификации выявляются признаки, характеризующие группу, к которой принадлежит тот или иной объ- ект. Это делается посредством анализа уже классифицированных объектов и формулирования некоторого набора правил. Кластеризация отличается от классификации тем, что сами группы заранее не заданы. С помощью кластеризации сред- ства Data Mining самостоятельно выделяют различные однородные группы данных. Основой для всевозможных систем прогнозирования служит историческая информация, хранящаяся в базе данных (БД) в виде временных рядов. Если удается построить шаблоны, адекватно отражающие динамику поведения целевых показате- лей, есть вероятность, что с их помощью можно предсказать и поведение системы в будущем. Сегодня существует большое количество разнообразных методов исследования данных. Среди них можно выделить ос- новные методы, используемые в технологиях Data Mining: • регрессионный, дисперсионный и корреляционный анализ; • методы анализа в конкретной предметной области, базирующиеся на эмпирических моделях; • нейросетевые алгоритмы, идея которых основана на аналогии с функционированием нервной ткани и заключается в том, что исходные параметры рассматриваются как сигналы, преобразующиеся в соответствии с имеющимися связями меж- ду «нейронами», а в качестве ответа, являющегося результатом анализа, рассматривается отклик всей сети на исходные дан- ные. Связи в этом случае создаются с помощью так называемого обучения сети посредством выборки большого объема, со- держащей как исходные данные, так и правильные ответы; • выбор близкого аналога исходных данных из уже имеющихся исторических данных называется также методом «ближайшего соседа»; • деревья решений – иерархическая структура, базирующаяся на наборе вопросов, подразумевающих ответ «Да» или «Нет». Несмотря на то, что данный способ обработки данных далеко не всегда идеально находит существующие закономер- ности, он довольно часто используется в системах прогнозирования в силу наглядности получаемого ответа; • кластерные модели (иногда также называемые моделями сегментации) применяются для объединения сходных со- бытий в группы на основании сходных значений нескольких полей в наборе данных, также весьма популярны при создании систем прогнозирования; • алгоритмы ограниченного перебора, вычисляющие частоты комбинаций простых логических событий в подгруппах данных; • эволюционное программирование – поиск и генерация алгоритма, выражающего взаимозависимость данных, на ос- новании изначально заданного алгоритма, модифицируемого в процессе поиска. Иногда поиск взаимозависимостей осуще- ствляется среди каких-либо определенных видов функций (например, полиномов). Системы Data Mining интегрируют в себе сразу несколько подходов, но, как правило, с преобладанием какого-то одного компонента. Рассмотрим примеры некоторых возможных бизнес-приложений Data Mining в различных областях. Розничная торговля Типичные задачи, которые можно решать с помощью Data Mining в сфере розничной торговли, – это анализ покупа- тельской корзины, исследование временных шаблонов, создание прогнозирующих моделей. Анализ покупательской корзины (анализ сходства) предназначен для выявления товаров, которые покупатели стремятся приобретать вместе. Знание покупательской корзины необходимо для улучшения рекламы, выработки стратегии создания запасов товаров и способов их раскладки в торговых залах. Исследование временных шаблонов помогает торговым предприятиям принимать решения о создании товарных запасов. Оно дает ответы на вопросы типа: «Если сегодня покупатель приобрел видеокамеру, то через какое время он вероятнее всего купит новые батарейки и пленку?». Создание прогнозирующих моделей дает возможность торговым предприятиям узнавать характер потребностей различ- ных категорий клиентов с определенным поведением, например, покупающих товары известных дизайнеров или посещаю- щих распродажи. Эти знания нужны для разработки точно направленных, экономичных мероприятий по продвижению това- ров. Банковское дело Достижения технологии Data Mining используются в банковском деле для решения следующих распространенных за- дач. Выявление мошенничества с кредитными карточками. Путем анализа прошлых транзакций, которые впоследствии оказались мошенническими, банк выявляет некоторые стереотипы такого мошенничества. Сегментация клиентов. Разбивая клиентов на различные категории, банки делают свою маркетинговую политику более целенаправленной и результативной, предлагая различные виды услуг разным группам клиентов. Прогнозирование изменений клиентуры. Data Mining помогает банкам строить прогнозные модели ценности своих кли- ентов и соответствующим образом обслуживать каждую категорию. Страхование Страховые компании в течение ряда лет накапливают большие объемы данных. Здесь также можно использовать мето- ды Data Mining для выявления мошенничества и анализа риска. Выявление мошенничества. Страховые компании могут снизить уровень мошенничества, отыскивая определенные сте- реотипы в заявлениях о выплате страхового возмещения, характеризующих взаимоотношения между юристами, врачами и заявителями. Анализ риска. Путем выявления сочетаний факторов, связанных с оплаченными заявлениями, страховщики могут уменьшить свои потери по обязательствам. Известен случай, когда в США крупная страховая компания обнаружила, что суммы, выплаченные по заявлениям людей, состоящих в браке, вдвое превышают суммы по заявлениям одиноких людей. Компания отреагировала на это новое знание пересмотром своей общей политики предоставления скидок семейным клиен- там. СПИСОК РЕКОМЕНДУЕМОЙ ЛИТЕРАТУРЫ 1. Автоматизация управления предприятием / В.В. Баронов и др. – М.: ИНФРА-М, 2000. 2. Автоматизированные информационные технологии: учебное пособие / под ред. В.Б. Либермана, А.И. Никифоро- ва. – М.: ФА, 2002. 3. Автоматизированные информационные технологии в экономике: учебник / под ред. Г.А. Титоренко. – М.: ЮНИ- ТИ, 2002. 4. Вендров, А.М. Проектирование программного обеспечения экономических информационных систем: учебник / А.М. Вендров. – М.: Финансы и статистика, 2000. 5. Годин, В.В. Управление информационными ресурсами: 17-модульная программа для менеджеров «Управление раз- витием организации». Модуль 17 / В.В. Годин, И.К. Корнеев. – М.: ИНФРА-М, 1999. 6. Душин, В.К. Теоретические основы информационных процессов и систем / В.К. Душин. – М.: Дашков и Ко, 2002. 7. Дюк, В.А. Data Mining: учебный курс / В.А. Дюк, А.П. Самойленко. – СПб.: Питер, 2001. 8. Информатика: учебник / под ред. проф. Н.В. Макаровой. – М.: Финансы и статистика, 1997. 9. Ильина, О.П. Информационные технологии бухгалтерского учета / О.П. Ильина. – СПб.: Питер, 2001. 10. Информационные технологии в бизнесе / под ред. М. Желены. – СПб.: Питер, 2002. 11. Карабутов, Н.Н. Информационные технологии в экономике / Н.Н. Карабутов. – М.: Экономика, 2003. 12. Когановский, М.Р. Перспективные технологии информационных систем / М.Р. Когановский. – М.: ДМК Пресс, Компания АйТи, 2003. 13. Скрипкин, К.Г. Экономическая эффективность информационных систем / К.Г. Скрипкин. – М.: ДМК Пресс, 2002. 14. Федорова, Г.В. Информационные технологии бухгалтерского учета, анализа и аудита / Г.В. Федорова. – М.: Омега- Л, 2004. 15. Экономическая информатика: Введение в экономический анализ информационных систем: учебник / М.И. Лугачев, Е.И. Анно, М.Р. Когаловский и др. – М.: ИНФРА-М, 2005. СОДЕРЖ__
 
7.1. Понятие и классификация интеллектуальных информационных систем
Интеллектуальная информационная система (ИИС) – это информационная система, которая основана на концепции использования базы знаний для генерации алгоритмов решения экономических задач различных классов в зависимости от конкретных информационных потребностей пользователей. Программные средства, применяемые в экономических информационных системах, можно разделить на следующие группы: 1. Проблемно-ориентированные пакеты экономико-математичес­кого моделирования. 2. Пакеты программ статистического анализа данных. 3. Программные средства интеллектуализации доступа к базе данных. 4. Средства эвристического решения задач анализа диагностики и прогнозирования на основе применения экспертных систем (ЭС). 5. Программы анализа и прогнозирования управленческой деятель­ности на основе использования аппарата нейронных сетей, а также баз знаний (БЗ) прецедентов. 6. Программные средства динамического планирования на основе использования Сase-технологий. Интеллектуальные информационные системы охватывают от 3 до 6 направлений. Классификация ИИС(рис. 7.1). В зависимости от совей природы знание бывает фактуальное и операционное. Фактуальное знание – осмысленные данные. Операционное знание – общие зависимости между фактами, которые позволяют интерпретировать данные или извлекать из них новую информацию. К главным недостаткам традиционной ИС относятся: 1. Слабая адаптируемость к информационным потребностям поль­зователя. 2. Невозможность решать плохо формализуемые задачи. Перечисленные недостатки устраняются в ИИС. ИИС имеют следующие характерные признаки: · развитые коммуникативные способности; · умение решать сложные, плохо формализуемые задачи (характеризуются наполовину качественным и количественным описанием, а хорошо формализуемые задачи – полностью количественным описанием); · способность к развитию и самообучению. Условно каждому из этих признаков соответствует свой класс ИИС: I класс: системы с интеллектуальным интерфейсом (коммуникативные способности): 1. Интеллектуальные БД; 2. Естественно-языковой интерфейс; 3. Гипертекстовые системы; 4. Контекстные системы; 5. Когнитивная графика. II класс:экспертные системы (решение сложных задач): 1. Классифицирующие системы; 2. Доопределяющие системы; 3. Трансформирующие системы; 4. Многоагентные системы. III класс: самообучающиеся системы (способность к самообучению): 1. Индуктивные системы; 2. Нейронные сети; 3. Системы, основанные на прецедентах; 4. Информационные хранилища. Рис. 7.1. Классификация ИИС Интеллектуальные БД – отличаются от обычных возможностью выборки по запросу информации, которая может явно не храниться, а выводиться из имеющейся БД (например, вывести список товаров, цена которых выше отраслевой). Естественно-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на машинный уровень представления знаний. При этом осуществляется распознавание и проверка написанных слов по словарям и синтаксическим правилам. Данный интерфейс облегчает обращение к интеллектуальным БД, а также голосовой ввод команд в системах управления. Гипертекстовые системы предназначены для поиска текстовой информации по ключевым словам в базах. Системы контекстной помощи – частный случай гипертекстовых и естественно-языковых систем. Системы когнитивной графики позволяют осуществлять взаимодействие пользователя ИИС с помощью графических образов.
7.2. Назначение, структура и основные характеристики экспертной системы
Экспертная система (ЭС) – это ИИС, предназначенная для решения слабоформализуемых задач на основе накапливаемого в базе знаний опыта работы экспертов в проблемной области. Она включает базу знаний с набором правил и механизмом вывода и позволяет на основании предоставляемых пользователем фактов распознать ситуацию, поставить диагноз, сформулировать решение или дать рекомендацию для выбора действия. Экспертные системы предназначены для воссоздания опыта, знаний профессионалов высокого уровня и использования этих знаний в процессе управления. Они разрабатываются с использованием математического аппарата нечеткой логики для эксплуатации в узких областях применения, поскольку их использование требует больших компьютерных ресурсов для обработки и хранения знаний. В основе построения экспертных систем лежит база знаний, которая основывается на моделях представления знаний. В силу больших финансовых и временных затрат в российских экономических ИС экспертные системы не имеют большого распространения. Считается, что любая экспертная система – это система, основанная на знаниях, но последняя не всегда является экспертной. В системах, основанных на знаниях, правила (или эвристики), по которым решаются проблемы в конкретной предметной области, хранятся в базе знаний. Проблемы ставятся перед системой в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение из этих фактов. Система функционирует в следующем циклическом режиме: выбор (запрос) данных или результатов анализов, наблюдение, интерпретация результатов, усвоение новой информации, выдвижение с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов. Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения. Более простые системы, основанные на знаниях, функционируют в режиме диалога, или режиме консультации. После запуска система задает пользователю ряд вопросов о решаемой задаче, требующих ответа «да» или «нет». Ответы служат для установления фактов, по которым может быть выведено окончательное заключение. В любой момент времени в системе содержится три типа знаний: · структурированные статические знания о предметной области, после того как эти знания выявлены, они уже не изменяются; · структурированные динамические знания – изменяемые знания о предметной области; они обновляются по мере выявления новой информации; · рабочие знания, применяемые для решения конкретной задачи или проведения консультации. Все перечисленные выше знания хранятся в базе знаний. Для ее построения требуется провести опрос специалистов, являющихся экспертами в конкретной предметной области, а затем систематизировать, организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний. Архитектура экспертной системы. Архитектура ЭС представлена на рис. 7.2. База знаний (БЗ) отражает знания экспертов. Однако далеко не каждый эксперт в состоянии грамотно изложить всю структуру своих знаний. Выявлением знаний эксперта и представлением их в БЗ занимаются специалисты – инженеры знаний. ЭС должна обладать механизмом приобретения знаний для ввода знаний в базу и их последующее обновление. В простейшем случае – это интеллектуальный редактор, который позволяет вводить единицы знаний в базу, а также проводить их анализ на непротиворечивость. Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: прогнозирование, планирование, контроль и управление, обучение. Технологию построения экспертных систем называют инженерией знаний. Этот процесс требует специфической формы взаимодействия создателя экспертной системы, которого называют инженером знаний, и одного или нескольких экспертов в некоторой предметной области. Инженер знаний «извлекает» из экспертов процедуры, стратегии, эмпирические правила, которые они используют при решении задач, и встраивает эти знания в экспертную систему. Рис. 7.2. Архитектура ЭС В результате появляется система, решающая задачи во многом так же, как человек-эксперт. Ядро экспертной системы составляет база знаний, которая создается и накапливается в процессе ее построения. Знания выражены в явном виде и организованы так, чтобы упростить принятие решений. Накопление и организация знаний – одна из самых важных характеристик экспертной системы. Наиболее полезной характеристикой экспертной системы является то, что она применяет для решения проблем высококачественный опыт. Этот опыт может представлять уровень мышления наиболее квалифицированных экспертов в данной области, что ведет к решениям творческим, точным и эффективным. Именно высококачественный опыт в сочетании с умением его применять делает систему рентабельной, способной заслужить признание на рынке. Этому также способствует гибкость системы. Система может наращиваться постепенно в соответствии с нуждами бизнеса или заказчика. Это означает, что можно вначале вложить сравнительно скромные средства, а потом наращивать возможности системы по мере необходимости. Другой полезной чертой экспертных систем является наличие у них прогностических возможностей. Экспертная система может функционировать в качестве модели решения задачи в заданной области, давая ожидаемые ответы в конкретной ситуации и показывая, как изменятся эти ответы в новых ситуациях. Экспертная система может объяснить подробно, каким образом новая ситуация привела к изменениям. Это позволяет пользователю оценить возможное влияние новых фактов или информации и понять, как они связаны с решением. Аналогично пользователь может оценить влияние новых стратегий или процедур на решение, добавляя новые правила или изменяя уже существующие. Важным свойством экспертных систем является возможность их применения для обучения и тренировки персонала. Экспертные системы могут быть разработаны с расчетом на подобный процесс обучения, так как они уже содержат необходимые знания и способны объяснить процесс своего рассуждения. Остается только добавить программное обеспечение, поддерживающее соответствующий требованиям эргономики интерфейс между обучаемым и экспертной системой. Кроме того, должны быть включены знания о методах обучения и возможном поведении пользователя. Итак, в настоящее время ЭС является инструментом, усиливающим интеллектуальные способности всей системы в целом, и выполняет следующие задачи: 1) консультация для неопытных (непрофессиональных) пользователей, 2) помощь при анализе различных вариантов принятия решения, 3) помощь по вопросам, относящимся к смежным областям деятельности. Наиболее широко и продуктивно ЭС применяются в бизнесе, производстве, медицине, менее – в науке.
7.3. Инструментальные средства разработки экспертных систем
Благодаря появлению специальных инструментальных средств построения ЭС сократились сроки разработки, значительно снизилась трудоемкость. Инструментальные средства построения ЭС можно разбить на три основных типа: · языки программирования; · среды программирования; · пустые ЭС (оболочки). С точки зрения разработчика экспертных систем, наибольший интерес представляет использование сред программирования и пустых экспертных систем (оболочек), хотя не всегда можно заметить разницу между этими понятиями. К числу таких средств первой группы относятся языки обработки символьной информации, наиболее известными из которых являются Пролог и Лисп. Пролог – язык высокого уровня, ориентированный на использование концепций и методов математической логики. Как следует из его названия, Пролог предназначен для программирования в терминах логики. Основной особенностью Пролога, отличающей его от всех других языков, является декларативный характер написанных на нем программ. Язык Лисп изобретен в Массачусетском технологическом институте и обладает способностью обрабатывать списковые структуры. Языки программирования Лисп и Пролог имеют встроенные механизмы для манипулирования знаниями. Помимо Лиспа и Пролога создано множество других языков, ориентированных на обработку символьной информации и разработку ЭС: Smalltalk, FRL, Interlisp. Кроме этих специализированных языков для разработки экспертных систем используются и обычные языки программирования общего назначения: Си, Ассемблер, Паскаль, Фортран, Бейсик и др. Общим недостатком языков программирования для создания экспертных систем являются: большое время разработки готовой системы, необходимость привлечения высококвалифицированных программистов, трудности с модификацией готовой системы. Все это делает применение языков программирования для реализации ЭС весьма дорогостоящим и трудоемким. Инструментальные средства второго типа – среды программирования – позволяют разработчику не программировать некоторые или все компоненты ЭС, а выбирать их из заранее составленного набора. При применении последнего типа инструментария (пустых ЭС, или «оболочек») разработчик ЭС полностью освобождается от работ по созданию программ и занимается лишь наполнением базы знаний. Типичным представителем второй и третьей групп инструментальных средств является пакет EXSYS Professional 5.0 for Windows (оболочка – по определению разработчика – компании MultiLogic Inc., США) и его последующая модификация Exsys Developer 8.0, предназначенный для создания прикладных экспертных систем в различных предметных областях. Система построена на использовании сложных правил вида ЕСЛИ-ТО-ИНАЧЕ. Для выбора стратегии получения заключения в системе по умолчанию используется обратная цепочка вывода. Прямая цепочка может быть задана при настройке системы. Система обладает развитым графическим интерфейсом, способна обращаться к внешним базам данных, проверять правила на непротиворечивость. При определенной настройке может работать с русскоязычными текстами. Разработка (проектирование) ЭС существенно отличается от разработки обычного программного продукта. Программные средства, базирующиеся на технологии и методах искусственного интеллекта, получили значительное распространение в мире. Их важность, и в первую очередь важность экспертных систем, состоит в том, что данные технологии существенно расширяют круг практически значимых задач, которые можно решать на компьютерах, и их решение приносит значительный экономический эффект. В основе любой экспертной системы лежит принцип накопления знаний специалистов (экспертов), которые каким-либо образом программно реализуются. Затем с помощью этих знаний пользователи ЭС, имеющие обычную квалификацию, могут решать свои текущие задачи столь же успешно, как это сделали бы сами эксперты. Такой эффект достигается благодаря тому, что экспертная система в своей работе воспроизводит примерно ту же схему рассуждений, которую обычно применяет человек-эксперт при анализе проблемы. Тем самым ЭС позволяет копировать и распространять знания, делать их доступными широким кругам рядовых специалистов. Уровень пользователей экспертных систем может варьироваться в очень широком диапазоне. От вида деятельности пользователей зависят и функции, которыми наделяются создаваемые для них ЭС. В настоящее время технология экспертных систем получила широкое распространение. Так, на американском и западноевропейском рынках систем искусственного интеллекта организациям, желающим создать экспертную систему, фирмы-разработчики предлагают сотни ин­струментальных средств для их построения. Прикладных же ЭС, успешно решающих задачи из определенного узкого класса, насчи­тываются тысячи. Это позволяет говорить о том, что ЭС сейчас составляет мощную ветвь в индустрии программирования. Экспертные системы и Интернет/интранет.Интернет/интранет технологии поддерживают экспертные системы и наоборот. Телекоммуникационные технологии обеспечивают огромному числу пользователей доступ к возможностям экспертных систем, это способствует окупаемости затрат на разработку ЭС. К сожалению, только немногие экспертные системы доступны по сети. Они могут быть связаны по сети не только с пользователями, но и с другими системами, включая базы данных, системы принятия решений, управления роботами. Сетевые технологии открывают новые возможности в разработке экспертных систем группами людей, разделенных территориально, а также в реализации экспертных систем.
Страница: 18 из 30;<<назад^вперед>>
7.4. Применение интеллектуальных технологий в экономических системах
Применение ЭС. Экспертные системы – это прогрессирующее направление в области искусственного интеллекта. Причиной повышенного интереса, который экспертные системы вызывают к себе на протяжении всего своего существования, является возможность их применения для решения задач из самых различных областей человеческой деятельности. Пожалуй, не найдется такой предметной области, в которой не было бы создано ни одной ЭС или, по крайней мере, такие попытки не предпринимались бы. Основные типы задач, решаемых с помощью ЭС: 1) интерпретация, определение смыслового содержания входных данных; 2) предсказание последствий наблюдаемых ситуаций; 3) диагностика неисправностей (заболеваний) по симптомам; 4) конструирование объекта с заданными свойствами при соблюдении установленных ограничений; 5) планирование последовательности действий, приводящих к желаемому состоянию объекта; 6) слежение (наблюдение) за изменяющимся состоянием объекта и сравнение его параметров с установленными или желаемыми; 7) управление объектом с целью достижения желаемого поведения; 8) поиск неисправностей; 9) обучение. В экономических информационных системах с помощью ЭС возможно решение следующих задач: 1. Анализ финансового состояния предприятия. 2. Оценка кредитоспособности предприятия. 3. Планирование финансовых ресурсов предприятия. 4. Формирование портфеля инвестиций. 5. Страхование коммерческих кредитов. 6. Выбор стратегии производства. 7. Оценка конкурентоспособности продукции. 8. Выбор стратегии ценообразования. 9. Выбор поставщика продукции. 10. Подбор кадров. Применение нейронных сетей. Нейронные сети особенно эффективны в случаях, когда нужно проанализировать большое количество данных для оценивания ситуации. Например, при принятии решения о выдаче кредита нужно просмотреть случаи из прошлого опыта с ответами да/нет. Области применения нейронных сетей в сфере экономической деятельности: · обнаружение нарушений при уплате налогов; · анализ рынка ценных бумаг, предсказание курсов валют; · выдача кредитов; · предсказание последствий того или иного решения; · предсказание результатов продвижения на рынке новых товаров; · управление аэролиниями: заполнение мест и составление расписания; · оценивание кандидатов на должность; · оптимальное распределение ресурсов; · установление подлинности подписи и др.
Контрольные вопросы
1. Дайте определение интеллектуальной информационной системы. 2. Каковы характерные признаки ИИС? 3. Перечислите основные функции, которые должна выпол­нять интеллектуальная информационная технология. 4. Назовите основные классы ИИС. 5. Чем интеллектуальные БД отличаются от обычных? 6. Дайте определение экспертной системы. 7. Как представлена архитектура ЭС? 8. Объясните назначение блоков экспертной системы. 9. На какие три основных типа можно разбить инструментальные средства построения ЭС? 10. Какие инструментальные средства создания экспертных сис­тем существуют в настоящее время? 11. Определите круг задач, решаемых с помощью ЭС в экономических информационных системах. 12. Каковы области применения нейронных сетей в экономике? Экспертная система Материал из ПИЭ.Wiki Перейти к: навигация, поиск Экспертная система - это система искусственного интеллекта, построенная на основе глубоких специальных знаний о некоторой предметной области (полученных от экспертов-специалистов этой области). Экспертные системы – один из немногих видов систем искусственного интеллекта, которые получили широкое распространение и нашли практическое применение. Существуют экспертные системы по военному делу, геологии, инженерному делу, информатике, космической технике, математике, медицине, метеорологии, промышленности, сельскому хозяйству, управлению, физике, химии, электронике, юриспруденции и т.д. И только то, что экспертные системы остаются весьма сложными, дорогими, а главное, узкоспециализированными программами, сдерживает их еще более широкое распространение. Технология экспертных систем является одним из направлений новой области исследования, которая получила наименование искусственного интеллекта (Artificial Intelligence — AI). Исследования в этой области сконцентрированы на разработке и внедрении компьютерных программ, способных эмулировать (имитировать, воспроизводить) те области деятельности человека, которые требуют мышления, определенного мастерства и накопленного опыта. К ним относятся задачи принятия решений, распознавания образов и понимания человеческого языка. Эта технология уже успешно применяется в некоторых областях техники и жизни общества — органической химии, поиске полезных ископаемых, медицинской диагностике. Перечень типовых задач, решаемых экспертными системами, включает:
  • извлечение информации из первичных данных (таких как сигналы, поступающие от гидролокатора);
  • диагностика неисправностей (как в технических системах, так и в человеческом организме);
  • структурный анализ сложных объектов (например, химических соединений);
  • выбор конфигурации сложных многокомпонентных систем (например, распределенных компьютерных систем);
  • планирование последовательности выполнения операций, приводящих к заданной цели (например, выполняемых промышленными роботами).
Содержание [убрать]
  • 1Особенности экспертных систем
  • 2Функции, выполняемые экспертной системой
  • 3Структура экспертных систем
  • 4Классы экспертных систем
  • 5Наиболее известные/распространённые ЭС
  • 6Этапы проектирования экспертной системы
  • 7Литература
  • компетентность – в конкретной предметной области экспертная система должна достигать того же уровня, что и специалисты-люди; при этом она должна пользоваться теми же эвристическими приемами, также глубоко и широко отражать предметную область;
  • символьные рассуждения – знания, на которых основана экспертная система, представляют в символьном виде понятия реального мира, рассуждения также происходят в виде преобразовании символьных наборов;
  • глубина – экспертиза должна решать серьезные, нетривиальные задачи, отличающиеся сложностью знаний, которые экспертная система использует, или обилием информации; это не позволяет использовать полный перебор вариантов как метод решения задачи и заставляет прибегать к эвристическим, творческим, неформальным методам;
  • самосознание – экспертная система должна включать в себя механизм объяснения того, каким образом она приходит к решению задачи.

Экспертные системы создаются для решения разного рода проблем, но они имеют схожую структуру (рис. 8); основные типы их деятельности можно сгруппировать в категории, приведенные в табл. 2.

Рис. 1. Схема обобщенной экспертной системы


Таблица 1. Типичные категории способов применения экспертных систем

Категория Решаемая проблема
Интерпретация Описание ситуации по информации, поступающей от датчиков
Прогноз Определение вероятных последствий заданных ситуаций
Диагностика Выявление причин неправильного функционирования системы по наблюдениям
Проектирование Построение конфигурации объектов при заданных ограничениях
Планирование Определение последовательности действий
Наблюдение Сравнение результатов наблюдений с ожидаемыми результатами
Отладка Составление рецептов исправления неправильного функционирования системы
Ремонт Выполнение последовательности предписанных исправлений
Обучение Диагностика и исправление поведения обучаемого
Управление Управление поведением системы как целого

Понравилась статья? Добавь ее в закладку (CTRL+D) и не забудь поделиться с друзьями:  



Сейчас читают про: