Рис. 1. Классификация интеллектуальных систем
Экспертные системы – сложные программные комплексы, аккумулирующие знания в конкретных предметных областях с целью их тиражирования и получения новых знаний.
Интеллектуальные пакеты прикладных программ- инструментальные пакеты прикладных программ, являющиеся упрощенным прототипом экспертных систем, дающие возможность пользователю решать прикладные задачи по их описаниям и исходным данным без программирования под задачу, а автоматически с помощью механизма логических выводов.
Нейросистемы- основаны на применении технологии нейронных сетей. Нейронная сеть- это самообучающаяся интеллектуальная система, которая по примерам реальной практики строит ассоциативную сеть понятий (нейронов), для параллельного поиска на ней решений. Нейронные сети могут быть реализованы на программном и аппаратном уровне. На аппаратном уровне- в виде нейрокомпьютеров с ассоциативной памятью.
Робототехнические системы- системы, которые не только воспринимают информацию из окружающего мира, но и вырабатывают на ее основе определенные оценочные выводы и в соответствии с ними вносят изменения в окружающую среду.
|
|
Системы распознавания образов- основаны на решении задач преобразования большого количества сенсорных данных по наблюдаемой проблемной ситуации и их оценке.
Игровые системы- ориентированы на создание сложных интеллектуальных игр шахматы, игры в кибергпространстве и др.
Системы общения- программные средства обработки текстов, машинный перевод, автоответчики, оранжировщики музыки
Технологии Business Intelegence (BI)- технологии бизнес-интеллект в широком смысле определяют:
· процесс превращения данных в информацию и знания о бизнесе для поддержки и принятия оптимальных и неформальных решений;
· информационные технологии (методы и средства) сбора данных, консолидации информации и обеспечения доступа бизнес-пользователей к знаниям;
· знания о бизнесе, полученные в результате углубленного анализа данных и консолидированной информации.
Современные BI-продукты включают BI-инструменты и BI-приложения.
Знания – формализованная информация, на которую ссылаются или используют в процессе логических выводов.
Рис. 2. Свойства знаний
1. Внутренняя интерпретация- предполагает, что в базе знаний хранятся не только знания, но и метазнания или знания о знаниях.
2. Внутренняя структура связей- предусматривает, что в качестве информационных единиц используются не отдельные знания, а упорядоченные отношениями структуры.
3. Внешняя структура связей- описывает отношения ситуативные связи) между отдельными объектами (понятиями) базы знаний.
|
|
4. Шкалирование- установление соотношений между различными информационными единицами и их упорядочение в соответствии с ними.
5. Наличие семантической метрики- определение смысловых зависимостей.
Виды знаний:
· глубокие и поверхностные
· качественные и количественные
· приближенные (неопределенные) и точные (определенные)
· конкретные и общие
· описательные и предписывающие
Форма представления знаний на внутримашинном уровне- Базы знаний.
База знаний – совокупность моделей, правил и фактов (данных), позволяющих провести анализ и сделать выводы при решении сложных интеллектуальных задач в некоторой предметной области.
База знаний – позволяет выполнять рассуждения не только и не столько на основе формальной (математической) логики, но на основе:
· опыта
· фактов
· правил (эвристик),
т.е приближенных к человеческой логике.
База знаний обладает следующими основными свойствами:
- институциональные знания
- высококачественный опыт
- возможность прогнозирования
- обучение и тренировка.
В базе знаний реализуется те же функции, что и в БД:
- создание и накопление
- поддержание в актуальном состоянии
- обработка знаний и формирование новых знаний
Отличия БД и БЗ:
1) по свойствам данных:
БД – структурированная БЗ – нет
2) по способу обработки:
БД – с помощью алгоритмов
БЗ – эвристический подход, сложные логические преобразования
3) по назначению, широте охвата:
Данные БД – для тактических действий и оценки деятельности конкретных организаций
БЗ – стратегические задачи, широкий круг пользователей.
Одной из наиболее важных проблем является проблема представления знаний.
Предоставление знаний – это выбор способа формализации и структурирования знаний или соглашение о том, как описывать реальный мир.
Существуют следующие способы или модели представления знаний в БЗ:
Рис. 3. Классификация моделей представления знаний
1. Представление знаний «тройкой » - Объект- Атрибут- Значение
Используется в простейших системах, позволяет описать знания по схеме:
Объект | Атрибут | Значение |
Студент | Успеваемость | Двоечник |
Предприятие | Организационно-правовая форма | Общество с ограниченной ответственностью |
Корова | Порода | Черно-пестрая |
В такой же форме представлены данные в БД.
2. Продукционная модель или модель правил, модель продукций используется в экспертных системах. Продукционные правила записываются в виде:
ЕСЛИ А1 И А2 И А3 И….Аn, ТО В1, ИЛИ В2 ИЛИ В3 ИЛИ …ИЛИ Вm
Где Аi и Bj – некоторые высказывания, к которым применяются логические операции И и ИЛИ. Если высказывание в левой части правила (условие, причина) истинно, то истинно и высказывание в правой части (следствие).
Предположим в базе знаний хранятся следующие правила (суждения):
ü Правило 1- ЕСЛИ на предприятии падает производительность труда ТО снижаются объемы производства продукции;
ü Правило 2 – ЕСЛИ снижается загрузка производственных мощностей ТО производительность труда падает;
ü Правило 3 – ЕСЛИ объемы производства снижаются ТО уровень дохода предприятия падает
Если на вход системы поступил факт «Загрузка производственных мощностей падает», то из правил можно построить цепочку рассуждений и сделать заключение:
Факт 1 – Правило 2- правило 1 –правило3
Недостаток такой модели- при большом количестве правил трудно избежать их непротиворечивости.
3. Фреймовая модель - понятие введено Марком Минским (США) в 1975г.
Frame- рамка, скелет, сгусток. Фрейм- это минимальная структура информации, необходимая для представления знаний о стереотипных классах объектов, ситуаций, процессов. Примерами стереотипных ситуаций могут быть процедура банкротства, совещание специалистов, защита дипломной работы, выбор невесты, бракосочетание и др. В качестве стереотипных понятий можно назвать алгоритм, методика, последовательность действий и др.
|
|
Фреймовые модели достаточно универсальны.
Н-р 1) фреймы – структуры для объектов и понятий
2) фреймы роли (менеджер, кассир, клиент)
1) фреймы – сценарии (банкротство, собрание акционеров)
2) фреймы ситуации (тревога, авария и т.п)
4. Модель семантической сети (Модель Куилиана)
Семантическая сеть – это направленный граф, с поименованными вершинами (узлами) и дугами (отношениями между объектами). Семантическую сеть можно построить для любой предметной области и различных объектов и отношений. В семантических сетях используют три типа вершин:
ü Вершины- понятия (имена существительные);
ü Вершины- события (глаголы);
ü Вершины- свойства (определения).
Пример семантической сети для ситуации «С фирмой «Контакт» подписан договор-мены от 15.12.05 на поставку нефтепродуктов».
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Рис. 4 Семантическая сеть для ситуации
Основное преимущество семантических сетей и их разновидностей- фреймов при моделировании знаний- это универсальность и удобство представления знаний.
К недостаткам следует отнести сложность построения и внесения изменений, необходимость использования разнообразных процедур обработки при большом количестве вершин и дуг.
Технология использования базы знаний и содержание ее структурных компонентов выглядит следующим образом:
Рис. 5. Структурные компоненты базы знаний