Области применения интеллектуальных информационных систем

Лекция №1 ИИС

В силу своего предназначения интеллектуальные информационные системы могут применяться практически в любой сфере человеческой деятельности. Примерами областей, где использование данного подхода уже приносит ощутимые результаты, являются [41]:

· Промышленность:

- Управление производством: составление и оптимизация производственной цепочки посредством распределения технологических шагов как между внутренними подразделениями, так и между сторонними подрядчиками.

- Контроль производственных процессов: сбор и анализ текущей информации, коммуникации с агентами, контролирующими другие подсистемы, принятие и реализация оперативных решений.

- Управление воздушным транспортом: моделирование и оптимизация диспетчерской деятельности аэропорта.

· Предпринимательство:

- Управление информацией: поиск источников, сбор, фильтрация и анализ данных, интеллектуальная обработка больших объемов информации.

- Электронная коммерция открывает широкие возможности для использования интеллектуальных агентов как на стороне продавца, так и на стороне покупателя.

- Управление бизнес-процессами: гибкая автоматизация корпоративной организационной деятельности со сложной внутренней логикой и большим количеством участвующих сторон.

· Медицина:

- Мониторинг пациентов: непрерывный сбор, учет и анализ большого количества отслеживаемых характеристик состояния пациентов на протяжении продолжительного промежутка времени.

- Здравоохранение: возможность обследования и диагностирования пациентов с использованием виртуальных специалистов из различных областей медицины.

· Индустрия развлечений:

- Компьютерные игры: возможность достижения качественно новых уровней посредством использования интеллектуальных агентов для различных участвующих сторон.

- Интерактивные приложения (телевидение, театр, кинематограф): агенты могут создавать иллюзию реальности происходящего действия, позволяя пользователю принимать в нем участие.

Приме­ры ИИС в экономике:

· Intelligent Hedger: основанный на знаниях подход в задачах страхования от риска. Фирма: Information System Department, New York University. Проблема огромного количества постоянно растущих альтернатив стра­хования от рисков, быстрое принятие решений менеджерами по рискам в ускоряющемся потоке информации, а также недостаток соответствующей машинной поддержки на ранних стадиях процесса разработки систем страхования от рисков предполагает обширную сферу различных опти­мальных решений для менеджеров по риску. В данной системе разработ­ка страхования от риска сформулирована как многоцелевая оптимизаци­онная задача. Данная задача оптимизации включает несколько сложностей, с которыми существующие технические решения не справляются. Краткие характеристики: система использует объектное представление, охватывающее глубокие знания по управлению риском и облегчает эму­ляцию первичных рассуждений, управляющих риском, полезных для вы­водов и их объяснений.

· Система рассуждений в прогнозировании обмена валют. Фирма. Department of Computer Science City Polytechnic University of Hong Kong Представляет новый подход в прогнозировании обмена 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 оптимизации работы с валютными опционами. Фирма: NTT Data, The Tokai Bank, Science University of Tokyo. Система облегчает дилерскую поддержку для оптимального ответа как один из возможных представленных вариантов; более практична и дает лучшие решения, чем обычные системы принятия решений. Краткие харак­теристики: система разработана с использованием фреймовой системы CLP, 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.

В настоящее время наиболее значительная доля использования интеллектуальных информационных систем приходится на интеллектуальные информационные агенты.

Назначение и функции интеллектуальных информационных агентов

Одним из фундаментальных понятий во многих областях теории искусственного интеллекта (и, в частности, задаче планирования) является концепция агента – того объекта, который действует в некотором окружении с целью выполнения определенных функций. Несмотря на широкую распространенность самого термина «агент», до настоящего времени не существует общепринятого определения этого понятия. В последующем изложении понятие интеллектуального агента будет интерпретироваться в смысле двух определений [136]:

1. Слабое определение интеллектуального агента: интеллектуальный агент – аппаратная или программная система, обладающая следующими свойствами: автономность, реактивность, активность и коммуникативность.

2. Сильное определение интеллектуального агента: интеллектуальный агент – вычислительная система, обладающая перечисленными свойствами и, кроме того, реализованная на основе концепций, наиболее применимых к людям.

В работе [28] определения сформулированы несколько иным образом по отношению к приведенным выше: под агентом понимается самостоятельная программная система, имеющая возможность принимать воздействие из внешнего мира, определять свою реакцию на это воздействие и осуществлять эту реакцию, тогда как понятие интеллектуального агента соответствует агенту, который обладает рядом знаний о себе и окружающем мире и поведение которого определяется этими знаниями

Наряду с перечисленными определениями в литературе по искусственному интеллекту встречается еще несколько десятков разнообразных формулировок определения агента [121], тем не менее, большинство из них сводится к наличию перечисленного набора ключевых признаков. Рассмотрим определяющие свойства интеллектуальных агентов более подробно:

· Автономность – способность функционировать независимо от внешних управляющих воздействий (например, контроля оператора). Высокой степени автономности способствуют такие возможности агента как гибкие алгоритмы работы, способность к самообучению, возможность работы с неполной информацией.

· Реактивность – способность к восприятию агентом состояния окружающей среды (внешнего мира) и изменений этого состояния, а также к учету этой информации в своей деятельности. Крайними формами использования свойства реактивности являются жесткая схема работы агента, при которой действия выполняются по заранее разработанному плану, не модифицируемому в процессе выполнения, и полностью реактивная схема поведения, когда агент не имеет заранее подготовленного плана и действует только на основании информации о текущем состоянии среды.

· Целеустремленность – способность агента не только к реактивным действиям, но и к целенаправленному поведению для достижения некоторой заданной цели, устанавливаемой самостоятельно или извне.

· Коммуникативность – свойство агентов взаимодействовать между собой, а также с другими интеллектуальными существами (например, людьми). Например, в задаче распределенного искусственного интеллекта в системе действуют несколько агентов, некоторым образом взаимодействующих между собой. В простом случае взаимодействие ограничивается лишь обменом информацией, в более сложных системах агенты могут кооперироваться и корректировать свою деятельность для достижения общих целей.

Примером интеллектуального агента является софтбот (программный робот) [61] – система, взаимодействующая с компьютерной средой (например, операционной системой) посредством выполнения команд и интерпретации результатов команд и других сообщений среды.

Как показывает практика, в большинстве случаев применение интеллектуальных агентов сводится к одному из двух вариантов:

1. Автономное выполнение специфических функций вместо человека, а в ряде случаев, даже от лица человека.

2. Помощь в выполнении некоторых видов деятельности посредством высокоуровневого взаимодействия с человеком.

В результате анализа известных прикладных систем, реализованных на базе рассматриваемого подхода, можно выделить следующие типы интеллектуальных агентов [108]:

1. Кооперативные агенты, способные не только к автономному изолированному функционированию, но и к совместной деятельности с другими агентами, в частности координации действий, разработке общих планов и разрешению конфликтов. Примерами агентов являются проект Pleiades университета Карнеги-Меллон [128], системы MII [131] и ADEPT [109].

2. Интерфейсные агенты, задачей которых является взаимодействие с пользователем (а не с другими агентами) и помощь ему в выполнении некоторой деятельности. Данный тип агентов также иногда называют персональными ассистентами. Существующие реализации включают различные справочные системы [66, 114], торговые помощники [55], системы поддержки документооборота [88] и развлекательные системы [95].

3. Мобильные агенты, обладающие способностью выполнять свои функции при различном расположении внутри среды обитания. Наиболее естественной средой функционирования для таких агентов являются различные вычислительные сети или системы связи [46, 115]. Необходимо также заметить, что сама по себе мобильность не является ни необходимым, ни достаточным свойством интеллектуального агента.

4. Информационные агенты возникли в виде отдельного класса в результате резко возникшей необходимости поиска, сбора и переработки большого количества информации с относительно простым доступом. В первую очередь к данной группе относятся системы поиска в Интернет, например поиск в WWW (Jasper [58], Webwatcher [45]) и фильтрация архивов телеконференций (NewT [122]).

5. Реактивные агенты составляют специальную группу агентов, которые не располагают какой-либо внутренней моделью среды, а действуют лишь в ответ на определенное состояние окружающей среды или изменение состояния. Примерами таких систем являются “ситуационный автомат” [82], различные системы моделирования общественного поведения [62, 107], игровые приложения [42].

6. Гибридные агенты, совмещающие в себе особенности, присущие различным вышеперечисленным классам. К данной группе относятся, в частности, InteRRaP [103], сочетающий в себе реактивный и кооперативный модули, система мониторинга пациентов Guardian [73], а также различные мобильные информационные агенты.

7. Гетерогенные агентные системы, в отличие от гибридных агентов, состоят из нескольких агентов, принадлежащих к разным классам. Основной мотивацией при создании таких систем является построение интеграции существующих специализированных систем (ARCHON [80]), при этом одним из основных вопросов оказывается организация взаимодействия между агентами [77, 110].

Несмотря на очевидные преимущества и перспективы применения интеллектуальных агентов в различных научных и практических областях, данному подходу присущ также ряд ограничений, в частности:

· Отсутствие общего контроля над интеллектуальными агентами может повлечь значительные сложности при необходимости учета глобальных ограничений, требований гарантированного ответа в реальном времени и обхода возможных тупиковых ситуаций.

· Отсутствие глобальной перспективы: поскольку в реальности агентные системы не могут обладать полной системой знаний об окружающем мире, возникает вопрос о возможности нахождения оптимальных или субоптимальных решений на основе локальной базы знаний.

· Проблема доверия: насколько можно доверять интеллектуальным агентам при автономном выполнении возложенных на них функций, особенно когда такой агент действует в реальном мире от имени некоего физического лица или организации.

Тем не менее, в настоящее время наблюдается повышенный спрос на технологию интеллектуальных агентов со стороны ведущих мировых корпораций, что стимулирует большой объем научно-исследовательской работы в данной области, которая ведется в нескольких основных направлениях:

· Направление по теории агентов занимается исследованием и разработкой спецификаций, концептуализацией агентов, определением свойств и способов их формализованного представления. В работе [67] исследуются признаки, отличающие интеллектуальных агентов от обычного программного обеспечения, а в [68] и [136] содержится достаточно полный обзор существующих теоретических подходов.

· Направление по архитектуре агентов изучает вопросы реализации спецификаций, аппаратные и программные аспекты проблемы построения вычислительной системы, удовлетворяющей заданным свойствам. Примерами наиболее известных архитектур интеллектуальных агентов являются: GISA (Generic Intelligent Software Agent) [123], BDI (Belief-Desire-Intention) [51, 57, 113] и FIPA (Foundation for Intelligent Physical Agents) [56].

· Направление по языкам программирования агентов исследует способы формального описания теоретических принципов, вопросы поиска оптимальных примитивов при кодировании агентов, эффективной компиляции и выполнении программ. К данной группе, в частности, относятся работы, посвященные реализации агентов для Интернет и корпоративных сетей [91, 135], исследованию особенностей применения объектно-ориентированного подхода [96] и концепции агенто-ориентированного программирования [123].