Глава 1. ПОНЯТИЯ И ТЕРМИНОЛОГИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ PDF

Глава 1. ПОНЯТИЯ И ТЕРМИНОЛОГИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ 1.1. История исследований и основные понятия в области искусственного интеллекта Возникновение понятия интеллектуальных систем тесно связано с понятием искусственного интеллекта (...

Глава 1. ПОНЯТИЯ И ТЕРМИНОЛОГИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ 1.1. История исследований и основные понятия в области искусственного интеллекта Возникновение понятия интеллектуальных систем тесно связано с понятием искусственного интеллекта (ИИ) и современной теории управления [1-14]. Ис- следования в области ИИ стали развиваться наиболее активно с 50-х годов прошлого века в связи с развитием средств вычислительной техники, информа- тики и кибернетики. На разных этапах развития ИИ исследователями различных направлений ИИ предлагались свои определения ИИ. Так в математическом энциклопедиче- ском словаре приводилось следующее определение: «Искусственный интеллект (от латинского intelleсtus – познание, понимание, рассудок) это раздел инфор- матики, изучающий методы, способы и приемы моделирования и воспроизве- дения с помощью ЭВМ разумной деятельности человека, связанной с решением задач». Академик Г.С. Поспелов в книге «Искусственный интеллект – основа новой информационной технологии» писал: «под искусственным интеллектом понимается наука о том, как заставить машину делать то, что умеет делать ум- ный человек». В зарубежной литературе применяют определение термина «ис- кусственный интеллект» как «Artificial Intelligence» (AI). В отличие от филосо- фии и психологии, искусственный интеллект в области исследований и разра- боток технических систем ориентирован не столько на понимание, сколько на построение интеллектуальных систем. На первоначальном этапе развития были выделены и на данный момент ос- тались актуальными следующие основные проблемы искусственного интел- лекта и направления его развития: 1. Представление знаний. 2. Решение неформализованных задач. 3. Создание комплексных экспертных систем. 4. Интеллектуальный анализ данных. 5. Общение с ЭВМ на естественном языке. 6. Обучение. 7. Когнитивное моделирование (cognos – знание) и моделирование разума. 8. Обработка визуальной информации и робототехника. Исторически существует 2 направления исследований в области искусст- венного интеллекта: 1. Моделирование результатов интеллектуальной деятельности или так на- зываемый машинный интеллект. 2. Моделирование биологических систем или так называемый искусствен- ный разум. Первое направление рассматривает продукт интеллектуальной деятельности человека, изучает его структуру и стремится воспроизвести этот продукт сред- 5 ствами компьютерной техники. Успехи этого направления тесно связаны с раз- витием вычислительной техники и программирования. Второе направление ИИ рассматривает данные о нейрофизиологической деятельности человека. Разработчики стремятся воспроизвести структуры и процессы в нервной системе с помощью технических устройств так, чтобы их поведение хорошо совпадало с поведением человека в заданных ситуациях. Развитие этого направления тесно связано с успехами наук о человеке. В свою очередь работы по искусственному разуму ведутся по следующим направлени- ям: 1. Моделирование механизмов умственной деятельности, связанное с соз- данием нейроподобных сетей (нейрокибернетика). В первую очередь изучаются нервные клетки – нейроны и структуры из взаимосвязанных клеток – нейрон- ные сети. Механизмы таких разработок воплощены в нейрокомпьютеры. 2. Моделирование информационных процессов или так называемое эври- стическое программирование, при котором моделируется не нейронные клетки, а мыслительные операции, выполнение которых приводит к успешному реше- нию задачи. Успехи теоретического и прикладного характера достигнуты за счет разработки общего решателя задач – GPS (General Problem Solver). 3. Комплексный подход или так называемое эвристическое моделирование. Необходимо отметить, что современная теория ИИ и созданные на ее основе интеллектуальные системы (ИС) и технологии были подготовлены трудами многих исследователей на протяжении многих лет. В 40-50-х годах прошлого века началось бурное развитие информационных технологий и автоматизации: были созданы первые ЭВМ, а Норберт Винер соз- дал свои основополагающие работы по кибернетике, и произошло окончатель- ное оформление искусственного интеллекта как научного направления. В конце 50-х годов ХХ в. родилась модель лабиринтного поиска. В этом подходе задача представляется как некоторое пространство состояний в форме графа, и в этом графе проводится поиск оптимального пути от входных данных к результирующим. Начало 60-х годов – это эпоха эвристического программирования. Эвристи- ка – правило, теоретически не обоснованное, но позволяющее сократить коли- чество переборов в пространстве поиска. Эвристическое программирование – разработка стратегии действий на основе известных, заранее заданных, эври- стик. В 1963-1970 гг. к решению задач ИИ стали подключать методы математиче- ской логики. На основе метода резолюций француз Альбер Кольмероэ в 1973 г. создает язык логического программирования Пролог. Однако большинство ре- альных задач не сводится к набору аксиом. Человек, решая производственные задачи, не использует классическую логику, и поэтому применение логических моделей при всех своих преимуществах имеют существенные ограничения по классам решаемых задач. В середине 1970-х годов в США вместо поисков универсальных алгоритма мышления стала развиваться идея моделирования конкретных знаний специа- 6 листов экспертов. В США появились первые коммерческие системы, основан- ные на знаниях, или экспертные системы (ЭС). Возник новый подход к реше- нию задач искусственного интеллекта – представление знаний. В это время бы- ли созданы две первые классические экспертные системы для медицины (MYCIN) и для химии (DENDRAL). В конце 70-х годов в Японии было объявлено о начале разработки проекта машин V поколения, основанных на знаниях. В середине 1980-х годов был разработан в Центре космических исследова- ний NASA язык CLIPS, обеспечивающий поддержку программирования на ос- нове правил объектно-ориентированного и процедурного программирования. Название языка CLIPS – аббревиатура от C Language Integrated Production Sys- tem. Начиная с середины 80-х годов, повсеместно происходит коммерциализация искусственного интеллекта. Растут ежегодные капиталовложения, создаются промышленные экспертные системы. Растет интерес к самообучающимся сис- темам, издаются десятки научных журналов, ежегодно собираются междуна- родные и национальные конференции по различным направлениям ИИ. В Советском Союзе работы по искусственному интеллекту начались даже раньше, чем на западе [1-3, 5]. В 1954 г. в МГУ начал свою работу семинар «Автоматы и мышление» под руководством академика А.А. Ляпунова В этом семинаре принимали участие физиологи, лингвисты, психологи, математики. Принято считать, что именно в это время родился искусственный интеллект в России. Среди наиболее значимых результатов, полученных отечественными уче- ными в 60-е годы, отмечают алгоритм «Кора» М.М. Бонгарда, моделировавший деятельность человеческого мозга при распознавании образов. В 1965-1980 гг. происходит рождение нового направления – сuтуационного управления. Основателем этой научной школы стал проф. Д.А. Поспелов, раз- работавший специальные модели представления ситуаций. В 1974 г. при Комитете по системному анализу при президиуме АН СССР начал работу Научный совет по проблеме «Искусственный интеллект». В 1988 г. создается Ассоциация Искусственного Интеллекта (АИИ). Ее членами стали более 300 исследователей, а президентом избирается Д. А. Поспелов. В 1980-1990 гг. проводятся активные исследования в области представления знаний, разрабатываются языки представления знаний, экспертные системы (более 300). В МГУ им. М. В. Ломоносова создается язык РЕФАЛ. В конце 90-х годов начинают более активно использоваться идеи и методы искусственного интеллекта в теории и практике управления, появляются от- дельные разработки на базе ИИ, включаемые в состав систем управления (СУ). Такие разработки стали называть интеллектными компонентами (ИК) систем управления. В качестве наиболее используемого типа ИК для СУ становятся искусствен- ные нейронные сети. В системах управления применяется несколько типов ИНС: многослойный персептрон, сеть Кохонена (как однослойная самооргани- 7 зующаяся карта – Kohonen's Self-Organizing Мар), сеть Хопфилда, машина Больцмана и другие [5-8]. В качестве второго типа интеллектных компонент систем управления рас- сматриваются эволюционные (генетические) алгоритмы, которые тоже являют- ся инструментом поиска рациональных решений. Эволюционные алгоритмы (ЭА) понимаются как алгоритмы со специальными структурами данных, опе- рирующие с популяциями индивидов. Для реализации высокоинтеллектуальных функций систем управления ис- пользуются интеллектные компоненты третьего типа – системы, основанные на «знаниях» (СОЗ, Knowledge-Based Systems). Например, знания могут быть представлены в некотором логическом языке. Обработка знаний с помощью ло- гических средств позволяет получать некоторые предпочтения на множестве допустимых управлений с целью выбора одного из них. В общем случае СОЗ оперируют с более широкой информацией логическими, объектно- ориентированными и другими моделями, основанными на знаниях экспертов. Вместе с тем СОЗ могут использовать и традиционные алгоритмы, базирую- щиеся на уравнениях динамики. 1.2. Основные направления исследований в области интеллектуальных систем Рассмотрим краткие характеристики основных направлений исследований в области искусственного интеллекта, описанные в [1-3, 5-11]. Разработка интеллектуальных систем, основанных на знаниях. Это одно из главных направлений ИИ. Основной целью построения таких систем являются выявление, исследование и применение знаний высококвалифицированных экспертов для решения сложных задач, возникающих на практике. При по- строении систем, основанных на знаниях (СОЗ), используются знания, накоп- ленные экспертами в виде конкретных правил решения тех или иных задач. Это направление преследует цель имитации человеческого искусства анализа не- структурированных и слабоструктурированных проблем. В данной области ис- следований осуществляется разработка моделей представления, извлечения и структурирования знаний, а также изучаются проблемы создания баз знаний (БЗ), образующих ядро СОЗ. Частным случаем СОЗ являются экспертные сис- темы (ЭС), подробное описание которых можно найти в [1, 5, 9, 17]. Разработка естественно-языковых интерфейсов и машинный перевод. Про- блемы компьютерной лингвистики и машинного перевода разрабатываются в ИИ с 1950-х гг. Системы машинного перевода с одного естественного языка на другой обеспечивают быстроту и систематичность доступа к информации, опе- ративность и единообразие перевода больших потоков. Системы машинного перевода строятся как интеллектуальные системы, поскольку в их основе лежат БЗ в определённой предметной области и сложные модели, обеспечивающие дополнительную трансляцию «исходный язык оригинала – язык смысла – язык перевода». Они базируются на структурно-логическом подходе, включающем последовательный анализ и синтез естественно-языковых сообщений. Кроме 8 того, в них осуществляется ассоциативный поиск аналогичных фрагментов тек- ста и их переводов в специальных базах данных (БД). Данное направление ох- ватывает также исследования методов и разработку систем, обеспечивающих реализацию процесса общения человека с компьютером на естественном языке (так называемые системы ЕЯ-общения). Кроме того, создаются системы рече- вого общения в целях повышения скорости ввода информации в ЭВМ, разгруз- ки зрения и рук, а также для реализации речевого общения на значительном расстоянии. В таких системах под текстом понимают фонемный текст (как слышится). Обработка визуальной информации. В этом научном направлении решаются задачи обработки, анализа и синтеза изображений. Задача обработки изображе- ний связана с трансформированием графических образов, результатом которого являются новые изображения. В задаче анализа исходные изображения преоб- разуются в данные другого типа, например в текстовые описания. При синтезе изображений на вход системы поступает алгоритм построения изображения, а выходными данными являются графические объекты (системы машинной гра- фики). Обучение и самообучение. Эта актуальная область ИИ включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и фор- мирование знаний с использованием процедур анализа и обобщения данных [19-21]. К данному направлению относятся появившиеся в 90-х годах системы добычи данных (Data Mining) и системы поиска закономерностей в компьютер- ных базах данных (Knowledge Discovery). Игры и машинное творчество. Машинное творчество охватывает сочинение компьютерной музыки, стихов, интеллектуальные системы для изобретения но- вых объектов. Создание интеллектуальных компьютерных игр является одним из самых развитых коммерческих направлений в сфере разработки программ- ного обеспечения. Кроме того, компьютерные игры предоставляют мощный ар- сенал разнообразных средств, используемых для обучения. Программное обеспечение систем ИИ. Инструментальные средства для раз- работки интеллектуальных систем включают специальные языки программиро- вания, ориентированные на обработку символьной информации (LISP, SMALLTALK, РЕФАЛ), языки логического программирования (PROLOG), языки представления знаний (OPS5, KRL, FRL), интегрированные программ- ные среды, содержащие арсенал инструментальных средств для создания сис- тем ИИ (КЕ, ARTS, GURU, G2), а также оболочки экспертных систем (BUILD, EMYCIN, EXSYS Professional, ЭКСПЕРТ), которые позволяют создавать при- кладные ЭС, не прибегая к программированию [7, 15-17]. Новые архитектуры компьютеров. Это направление связано с созданием компьютеров не фон-неймановской архитектуры, ориентированных на обра- ботку символьной информации. Известны удачные промышленные решения параллельных и векторных компьютеров, однако в настоящее время они имеют весьма высокую стоимость, а также недостаточную совместимость с сущест- вующими вычислительными средствами. 9  Интеллектуальные роботы. Создание интеллектуальных роботов составляет конечную цель робототехники. В настоящее время в основном используются программируемые манипуляторы с жёсткой схемой управления, названные ро- ботами первого поколения. Несмотря на очевидные успехи отдельных разрабо- ток, эра интеллектуальных автономных роботов пока не наступила. Основными сдерживающими факторами в разработке автономных роботов являются нере- шённые проблемы в области интерпретации знаний, машинного зрения, адек- ватного хранения и обработки трёхмерной визуальной информации. 1.3. Основные признаки и отличия интеллектуальных систем Для интеллектуальных систем характерны следующие признаки [6-7, 10-11]: 1. Развитые коммуникативные способности: возможность обработки произ- вольных запросов в диалоге на языке максимально приближенном к естествен- ному (система естественно-языкового интерфейса – СЕЯИ). 2. Направленность на решение слабоструктурированных, плохо формали- зуемых задач (реализация мягких моделей). 3. Способность работать с неопределенными и динамичными данными. 4. Способность к развитию системы и извлечению знаний из накопленного опыта конкретных ситуаций. 5. Возможность получения и использования информации, которая явно не хранится, а выводится из имеющихся в базе данных. 6. Система имеет не только модель предметной области, но и модель самой себя, что позволяет ей определять границы своей компетентности. 7. Способность к выводам по аналогии. 8. Способность объяснять свои действия, неудачи пользователя, предупреж- дать пользователя о некоторых ситуациях, приводящих к нарушению целостно- сти данных. В отличие от обычных аналитических и статистических моделей, ИС позво- ляют получить решение трудно формализуемых слабо структурированных за- дач. Возможность ИС работать со слабоструктурированными данными подразу- мевает наличие следующих качеств: − решать задачи, описанные только в терминах «мягких» моделей, когда за- висимости между основными показателями являются не вполне определенны- ми или даже неизвестными в пределах некоторого класса; − способность к работе с неопределенными или динамичными данными, из- меняющимися в процессе обработки, позволяет использовать ИС в условиях, когда методы обработки данных могут изменяться и уточняться по мере посту- пления новых данных; − способность к развитию системы и извлечению знаний из накопленного опыта конкретных ситуаций увеличивает мобильность и гибкость системы, по- зволяя ей быстро осваивать новые области применения. Отличия программирования систем искусственного интеллекта от обычных программных систем представлены в таблице. 10  Таблица Отличия интеллектуальных систем от обычных программных систем Характеристика Программирование в Традиционное про- интеллектуальных систе- граммирование мах Тип обработки Символьный Числовой Метод Эвристический поиск Точный алгоритм Задание шагов решения Неявное Явное Искомое решение Удовлетворительное Оптимальное Управление и данные Смешаны Разделены Знания Неточные Точные Модификации Частые Редкие Для интеллектуальных информационных систем, ориентированных на гене- рацию алгоритмов решения задач, характерны следующие признаки: ‒ развитые коммуникативные способности; ‒ умение решать сложные плохо формализуемые задачи; ‒ способность к самообучению. Коммуникативные способности ИС характеризуют способ взаимодействия (интерфейса) конечного пользователя с системой, в частности, возможность формулирования произвольного запроса в диалоге с ИС на языке, максимально приближенном к естественному. Сложные плохо формализуемые задачи – это задачи, которые требуют по- строения оригинального алгоритма решения в зависимости от конкретной си- туации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний. Способность к самообучению – это возможность автоматического извлече- ния знаний для решения задач из накопленного опыта конкретных ситуаций. В различных ИС перечисленные признаки интеллектуальности развиты в неодинаковой степени и редко, когда все четыре признака реализуются одно- временно. Условно каждому из признаков интеллектуальности соответствует свой класс ИС: ‒ системы с интеллектуальным интерфейсом; ‒ экспертные системы; ‒ самообучающиеся системы. Анализ интеллектуальности систем, разработанный профессором Логинов- ским О.В., основан на следующих базовых интеллектуальных структурах, ко- торые приводятся ниже в соответствии с работой. Такие структуры, как идентификаторы, исполнители, накопители, модификаторы являются базовыми элементами более сложных интеллектуальных систем (экспертных, систем ав- томатизации управления, в частности, автоматизированных систем проектиро- вания и управления). При этом системы становятся многоуровневыми, иерар- хическими, на нижнем уровне которых обязательно присутствуют интеллекту- альные идентификаторы, исполнители и накопители. В конкретной предметной 11 области управления (планирования, проектирования) объект управления выде- ляется в системе идентификаторами и накопителями по принципу обратной связи. Перечисленные виды интеллектуальных систем: 1. Интеллектуальный идентификатор (ИДЕН) = { А, p, w, а, Ш }, где А – множество объектов предметной области (опорное множество); p – подмножество А, являющееся классом эквивалентности по какому-либо при- знаку; w – семантическая достоверность сведения об объекте; а – семан- тический указатель объекта из опорного множества А; Ш – шкала понятий для множества А. Интеллектуальный идентификатор выполняет в системе функции иденти- фикации данных об объектах предметной области по существующим семанти- ческим указателям, решая задачу интеллектуального распознавания объектов. 2. Интеллектуальный исполнитель (ИСП) представляет собой интеллекту- альную структуру, позволяющую по данным об объекте а из опорного множе- ства А отыскать конкретный объект и (при необходимости) осуществить опера- ции по его воплощению в предметной области. 3. Интеллектуальный накопитель (НАК) также выполняет функции интел- лектуальной системы, состоящие в пополнении данных об объекте от различ- ных источников из множества А, формируя соответствующие базы и банки данных территориального и муниципального управления. Формульные соотношения интеллектуальных накопителя и исполнителя аналогичны интеллектуальному идентификатору. 4. Интеллектуальный модификатор (МОД) осуществляет функции преобра- зования данных из одного множества А в данные об объектах другого множест- ва А' со шкалой понятий (перечнем свойств) Ш': { А, p, w, а, Ш }  { А', p, w, а', Ш' }. При совпадении опорных множеств А и А', данные об объекте а  А преоб- разуются модификатором в данные о том же объекте (сингулярные модифика- торы). Свойство сингулярности весьма характерно для автоматизированных систем проектирования и управления. 5. Интеллектуальный анализатор (АНАЛ), выполняющий функции анализа и оценки эффективности системы с учетом интеллектуальности и других осно- вополагающих характеристик. 6. Интеллектуальный синтезатор (СИН), осуществляющий синтез новых ха- рактеристик, свойств и возможностей системы на основе сформированных баз знаний о предметной области в целом и самой системе в частности с помощью искусственного или естественного интеллекта. 12  На основе представленного набора интеллектуальных структур можно ана- лизировать или формировать на множестве компонент предметной области то- пологию интеллектуальности посредством понятия интеллектуальной системы: SIi = { Ri, ti }, где Ri – множество компонент предметной области для i-той системы; ti – топо- логия i-той системы, включающую базу топологий в виде набора базовых ин- теллектуальных структур. При ti = 0, любая из рассматриваемых систем не является интеллектуальной. Формализация процедур оценки интеллектуальности систем должна осуще- ствляться совместно с оценкой их эффективности и конкурентоспособности: SEi = {Ri, Fi, Ci, Pi, Ii, Ei }, где Fi – множество компонент функциональной модели i-той системы; Ci – множество компонент структурной модели i-той системы; Pi – множество ком- понент программного обеспечения i-той системы; Ii – множество компонент информационного обеспечения i-той системы; Ei - множество характеристик эффективности i-той системы. Все указанные компоненты и характеристики для конкретных систем всегда больше нуля. Более сильная топология соответствует более высокому уровню эффективности и конкурентоспособности системы. 1.4. Основные типы интеллектуальных систем В данном учебном пособии, как и в мы будем рассматривать следую- щие классы систем искусственного интеллекта: 1. Системы с интеллектуальной обратной связью и интеллектуальными ин- терфейсами. 2. Автоматизированные системы распознавания образов. 3. Автоматизированные системы поддержки принятия решений. 4. Экспертные системы. 5. Нейронные сети. 6. Когнитивное моделирование. 7. Генетические алгоритмы и моделирование эволюции. 8. Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (Data Mining). Этими классами системы ИС не исчерпываются, но мы вынуждены ограни- чится ими, как основными, в связи с ограниченностью объема учебного посо- бия. Системы с интеллектуальным интерфейсом. Применение ИИ для усиле- ния коммуникативных способностей информационных систем привело к появ- лению систем с интеллектуальным интерфейсом, среди которых можно выде- лить следующие типы [6-7]: 13  1. Интеллектуальные базы данных. Они позволяют в отличие от традици- онных БД обеспечивать выборку необходимой информации, не присутствую- щей в явном виде, а выводимой из совокупности хранимых данных. 2. Естественно-языковой интерфейс. Он применяется для доступа к интел- лектуальным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд в системах управления, машинного пе- ревода с иностранных языков. Для реализации ЕЯ-интерфейса необходимо ре- шить проблемы морфологического, синтаксического и семантического анализа, а также задачу синтеза высказываний на естественном языке. При морфологи- ческом анализе осуществляются распознавание и проверка правильности напи- сания слов в словаре. 3. Гипертекстовые системы предназначены для реализации поиска по клю- чевым словам в базах текстовой информации. Интеллектуальные гипертексто- вые системы отличаются возможностью более сложной семантической органи- зации ключевых слов, которая отражает различные смысловые отношения тер- минов. Таким образом, механизм поиска работает прежде всего с базой знаний ключевых слов, а уже затем непосредственно с текстом. В более широком пла- не сказанное распространяется и на поиск мультимедийной информации, вклю- чающей помимо текстовой и цифровой информации графические, аудио и ви- део-образы. 4. Системы контекстной помощи можно рассматривать, как частный слу- чай интеллектуальных гипертекстовых и естественно-языковых систем. В от- личие от обычных систем помощи, навязывающих пользователю схему поиска требуемой информации, в системах контекстной помощи пользователь описы- вает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекоменда- ций. Такие системы относятся к классу систем распространения знаний (Knowledge Publishing) и создаются как приложение к системам документации (например, технической документации по эксплуатации товаров). 5. Системы когнитивной графики позволяют осуществлять интерфейс пользователя с ИС с помощью графических образов, которые генерируются в соответствии с происходящими событиями. Такие системы используются в мо- ниторинге и управлении оперативными процессами. Графические образы в на- глядном и интегрированном виде описывают множество параметров изучаемой ситуации. Например, состояние сложного управляемого объекта отображается в виде человеческого лица, на котором каждая черта отвечает за какой-либо па- раметр, а общее выражение лица дает интегрированную характеристику ситуа- ции. Экспертные системы. Назначение экспертных систем (ЭС) заключается в решении достаточно трудных для экспертов задач на основе накапливаемой ба- зы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области. Достоинство применения экспертных систем заключается в возможно- сти принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным данным в виде цепочки рассуждений 14 (правил принятия решений) из базы знаний. Причем решение задач предполага- ется осуществлять в условиях неполноты, недостоверности, многозначности исходной информации и качественных оценок процессов. Экспертная система является инструментом, усиливающим интеллектуаль- ные способности эксперта, и может выполнять следующие роли: ‒ консультанта для неопытных или непрофессиональных пользователей; ‒ ассистента в связи с необходимостью анализа экспертом различных ва- риантов принятия решений; ‒ партнера эксперта по вопросам, относящимся к источникам знаний из смежных областей деятельности. Область исследования экспертных систем называют «инженерией знаний». ЭС применяются для решения неформализованных проблем, к которым относят задачи, обладающие одной (или несколькими) из следующих характеристик: ‒ задачи не могут быть представлены в числовой форме; ‒ неоднозначностью, неточностью, противоречивостью; ‒ цели нельзя выразить с помощью чётко определённой целевой функции; ‒ не существует однозначного алгоритмического решения задачи; ‒ алгоритмическое решение существует, но его нельзя использовать по причине большой размерности пространства решений и ограничений на ресур- сы (времени, памяти). Главное отличие ЭС на рис. 1 и систем искусственного интеллекта от систем обработки данных состоит в том, что в них используется символьный, а не чи- словой способ представления данных, а в качестве методов обработки инфор- мации применяются процедуры логического вывода и эвристического поиска решений. Инженер по знаниям База знаний ЭС Компьютерная программа, которая Логический блок работает с базой (блок вывода решений) знаний Блок общений Блок объяснений Пользователь Рис. 1. Общая структура экспертной системы Отличительным блоком структуры ЭС является логический блок (реша- тель), в котором вырабатывается экспертное заключение. 15  Структура классификации экспертных систем представлена на рис.2. Признаки классификации экспертных систем Связь Тип исполь- Степень Тип задачи с реальным зуемых ЭВМ интеграции временем Рис. 2. Классификация экспертных систем Классификация по решаемой задаче имеет вид: 1. Экспертные системы, обладающие средствами для интеллектуального анализа данных. Для интерпретации данных используются технологии Data Mining. 2. Диагностические экспертные системы. Они применяется при диагнозе технической системы, при диагностике в сфере медицины и в сфере финансов, банковского дела. 3. Экспертные системы мониторинга. Они способны дать объяснение дан- ных в реальном масштабе времени, либо сигнализировать выход параметров за допустимые значения (границы) (например, в подразделениях министерства чрезвычайных ситуаций). 4. Экспертные системы прогнозирования. Системы, которые прогнозируют состояние финансового рынка, курс валют. ЭС прогнозирования являются пер- выми моделями аналитического плана, т. е. использующими элемент вероятно- сти. 5. Экспертные системы планирования. С помощью таких систем составля- ется, например, бюджетное планирование, финансирование. 6. Экспертные системы для управления. Это системы, которые подготавли- вают варианты возможных решений для управления: например, системы- подсказчики для руководителей. Классификация ЭС по связи с реальным временем: 1. Статические экспертные системы. К статическим относят такие системы, в которых базы данных и данные не меняются с течением времени (по меньшей мере, во время проведения экспертизы). Примером статической системы может служить ЭС диагностики технического состояния какого-либо устройства. 2. Динамические экспертные системы. Динамические системы применимы для задачи анализа, когда резко меняется ситуация или база знаний. Для работы такой системы должна существовать обратная связь и быстрые машины. 3. Квазидинамические экспертные системы. К квазидинамическим относят- ся ЭС, в которых если даже за время осуществления экспертизы параметры ме- няются, то при повторной экспертизе параметры остаются неизменными. 16  Классификация экспертных систем по типам применяемой архитектуры ЭВМ: 1. Экспертные системы с обычной архитектурой ЭВМ. 2. Экспертные системы со специальными нейрокомпьютерами – многопро- цессорными вычислительными системами. Классификация ЭС по степени интеграции с другими программами: 1. Автономные экспертные системы. К автономным ЭС относят системы, которые не требуют дополнительных программ для обработки данных. 2. Гибридные экспертные системы. К гибридным ЭС относят системы, ко- торые работают с привлечением дополнительных программных средств. Экспертные системы охватывают самые разные предметные области, среди которых лидируют бизнес, производство, медицина, проектирование и системы управления [1, 5-7, 15, 17, 18]. Нейронные сети. Искусственная нейронная сеть (ИНС) – это кибернетиче- ская модель нервной системы, которая представляет собой совокупность боль- шого числа сравнительно простых элементов – нейронов, топология соедине- ния которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, следует выбрать способ соединения нейронов друг с другом и подобрать значения параметров межнейронных соединений. Нейронные сети – обобщённое название группы математических алгорит- мов, обладающих способностью обучаться на примерах, «узнавая» впоследст- вии черты встреченных образцов и ситуаций. Благодаря этой способности ней- ронные сети используются при решении задач обработки сигналов и изображе- ний, распознавания образов, а также для прогнозирования. ИНС представляет собой совокупность простых вычислительных элементов – искусственных нейронов, каждый из которых обладает определённым коли- чеством входов (дендритов) и единственным выходом (аксоном), разветвления которого подходят к синапсам, связывающим его с другими нейронами. На входы нейрона поступает информация извне или от других нейронов. Каждый нейрон характеризуется функцией преобразования входных сигналов в выход- ной (функция возбуждения нейрона). Нейроны в сети могут иметь одинаковые или разные функции возбуждения. Сигналы, поступающие на вход нейрона, неравнозначны в том смысле, что информация из одного источника может быть более важной, чем из другого. Приоритеты входов задаются с помощью вектора весовых коэффициентов, моделирующих синаптическую силу биологических нейронов. Модель искусственного нейрона представляет собой дискретно- непрерывный преобразователь информации. Информация, поступающая на вход нейрона, суммируется с учётом весовых коэффициентов wi, сигналов хi, i = 1,.., n, где n – размерность пространства входных сигналов. Потенциал ней- рона определяется по формуле: 17  Взвешенная сумма поступивших сигналов (потенциал) преобразуется с по- мощью передаточной функции f(Р) в выходной сигнал нейрона Y, который пе- редается другим нейронам сети, т. е. Y = f(Р). Вид передаточной (активацион- ной) функции является важнейшей характеристикой нейрона. В общем случае эта функция может быть ступенчатой (пороговой), линейной или нелинейной). Тип функции переноса выбирается с учётом конкретной задачи, решаемой с применением нейронных сетей. Например, в задачах аппроксимации и класси- фикации предпочтение отдают логистической (сигмоидальной) кривой. Нейронная сеть представляет собой совокупность искусственных нейронов, организованных слоями. При этом выходы нейронов одного слоя соединяются с входами нейронов другого. В зависимости от топологии соединений нейронов ИНС подразделяются на одноуровневые и многоуровневые, с обратными связями и без них. Связи меж- ду слоями могут иметь различную структуру. В однолинейных сетях каждый нейрон (узел) нижнего слоя связан с одним нейроном верхнего слоя. Если каждый нейрон нижнего слоя соединён с не- сколькими нейронами следующего слоя, то получается пирамидальная сеть. Воронкообразная схема соединений предполагает связь каждого узла верхнего слоя со всеми узлами нижнего уровня. Существуют также древовидные и ре- куррентные сети, содержащие обратные связи с произвольной структурой меж- нейронных соединений. Чтобы построить ИНС для решения конкретной задачи, нужно выбрать тип соединения нейронов, определить вид передаточных функций элементов и по- добрать весовые коэффициенты межнейронных связей. При всём многообразии возможных конфигураций ИНС на практике полу- чили распространение лишь некоторые из них. Классические модели нейрон- ных сетей: ‒ многослойные сети; ‒ сети Хопфилда; ‒ сети Хемминга; ‒ сети обратного распространения; ‒ сети встречного распространения; ‒ РБФ-сети; ‒ сети Кохонена и др. С помощью нейронных сетей, которые относят к методам эволюционного моделирования, решается широкий класс задач: классификация образов, кла- стеризация, аппроксимация, прогноз данных, оптимизация, ассоциативная па- мять, управление динамическими объектами. Причем в силу всего вышесказан- ного, нейронные сети в сравнении с методами математической статистики справляются с перечисленными задачами тем успешнее, чем хуже формализуе- ма задача. Нейросетевые технологии нашли широкое применение в таких направлени- ях, как распознавание печатного текста, контроль качества продукции на про- изводстве, идентификация событий в ускорителях частиц, разведка нефти, 18 борьба с наркотиками, медицинские и военные приложения, управление и оп- тимизация, финансовый анализ, прогнозирование и др. В сфере экономики нейросетевые технологии могут использоваться для классификации и анализа временных рядов путём аппроксимации сложных не- линейных функций. Экспериментально установлено, что модели нейронных сетей обеспечивают большую точность при выявлении нелинейных закономерностей на фондовом рынке по сравнению с регрессионными моделями. Когнитивное моделирование – это способ анализа, обеспечивающий опре- деление силы и направления влияния факторов на перевод объекта управления в целевое состояние с учетом сходства и различия в влиянии различных факто- ров на объект управления. Ведущей научной организацией России, занимающейся разработкой и при- менением технологии когнитивного анализа, является Институт проблем управления РАН. На их научных трудах в области когнитивного анализа и ос- новывается данная лекция. В основе технологии когнитивного анализа и моделирования (рис. 3) лежит когнитивная (познавательно-целевая) структуризация знаний об объекте и внешней для него среды. Когнитивная структуризация предметной области – это выявление будущих целевых и нежелательных состояний объекта управления и наиболее сущест- венных (базисных) факторов управления и внешней среды, влияющих на пере- ход объекта в эти состояния, а также установление на качественном уровне причинно-следственных связей между ними, с учетом взаимовлияния факторов друг на друга. Результаты когнитивной структуризации отображаются с помощью когни- тивной карты (модели). Отбор базисных факторов проводится путем применения PEST-анализа, выделяющего четыре основные группы факторов (аспекта), определяющих по- ведение исследуемого объекта: ‒ Policy – политика; ‒ Economy – экономика; ‒ Society – общество (социокультурный аспект); ‒ Technology – технология. PEST-анализ можно рассматривать как вариант системного анализа, так как факторы, относящиеся к перечисленным четырем аспектам, в общем случае тесно взаимосвязаны и характеризуют различные иерархические уровни обще- ства, как системы. В этой системе есть детерминирующие связи, направленные с нижних уров- ней иерархии системы к верхним (наука и технология влияет на экономику, экономика влияет на политику), а также обратные и межуровневые связи. Из- менение любого из факторов через эту систему связей может влиять на все ос- тальные. 19  Эти изменения могут представлять угрозу развитию объекта, или, наоборот, предоставлять новые возможности для его успешного развития. ПЕРВИЧНЫЕ ПРЕДСТАВЛЕНИЯ ОБ ИССЛЕДУЕМОЙ СИТУАЦИИ СИСТЕМНОЕ КОНЦЕПТУАЛЬНОЕ КОГНИТОЛОГ ИССЛЕДОВАНИЕ СИТУАЦИИ СТРУТУРИРОВАННЫЕ ЗНАНИЯ О ПРЕДМЕТНОЙ ОБЛАСТИ ПОСТРОЕНИЕ КОГНИТИВНОЙ МОДЕЛИ КОГНИТОЛОГ ИССЛЕДУЕМОЙ СИТУАЦИИ КОГНИТИВНАЯ МОДЕЛЬ СИТУАЦИИ СТРУКТУРНЫЙ АНАЛИЗ АНАЛИТИК КОГНИТИВНОЙ МОДЕЛИ СТРУКТУРНЫЕ СВОЙСТВА КОГНИТИВНОЙ МОДЕЛИ МОДЕЛИРОВАНИЕ, "СИТУАЦИЯ", ОСНОВАННОЕ НА ЦЕЛЕВОМ ПОДХОДЕ "КОМПАС", "КИТ" РЕЗУЛЬТАТЫ НА УРОВНЕ МОДЕЛИ ПРЕДМЕТНАЯ ИНТЕРПРЕТАЦИЯ АНАЛИТИК РЕЗУЛЬТАТОВ МОДЕЛИРОВАНИЯ НОВЫЕ ЗНАНИЯ О ДИНАМИКЕ РАЗВИТИЯ СИТУАЦИИ Рис. 3. Технология когнитивного анализа и моделирования Следующий шаг – ситуационный анализ проблем, так называемый SWOT- анализ: ‒ Strengths – сильные стороны; ‒ Weaknesses – недостатки, слабые стороны; ‒ Opportunities – возможности; ‒ Threats – угрозы. 20  SWOT-анализ включает анализ сильных и слабых сторон развития иссле- дуемого объекта в их взаимодействии с угрозами и возможностями и позволяет определить актуальные проблемные области, узкие места, шансы и опасности, с учетом факторов внешней среды. Технология когнитивного анализа и моделирования поддерживается про- граммными комплексами «Ситуация», «Компас», «КИТ» (см. рис. 3), создан- ными в ИПУ РАН, которые позволяют в сложных и неопределенных ситуациях быстро, комплексно и системно охарактеризовать и обосновать сложившуюся ситуацию и на качественном уровне предложить пути решения проблемы в этой ситуации с учетом факторов внешней среды. Применение когнитивных технологий открывает новые возможности про- гнозирования и управления в различных областях: – в экономической сфере – позволяет в сжатые сроки разработать и обосно- вать стратегию экономического развития предприятия, банка, региона или даже целого государства с учетом влияния изменений во внешней среде; – в сфере финансов и фондового рынка – учесть ожидания участников рын- ка; – в военной области и области информационной безопасности – противо- стоять стратегическому информационному оружию, заблаговременно распо- знавая конфликтные структуры и вырабатывая адекватные меры реагирования на угрозы. Когнитивные технологии автоматизируют часть функций процессов позна- ния, поэтому они с успехом могут применяться во всех областях, в которых востребовано само познание. Вот лишь некоторые из этих областей: 1. Модели и методы интеллектуальных информационных технологий и сис- тем для создания геополитических, национальных и региональных стратегий социально-экономического развития. 2. Модели выживания «мягких» систем в изменяющихся средах при дефи- ците ресурсов. 3. Ситуационный анализ и управление развитием событий в кризисных сре- дах и ситуациях. 4. Информационный мониторинг социально-политических, социально- экономических и военно-политических ситуаций. 5. Разработка принципов и методологии проведения компьютерного анализа проблемных ситуаций. 6. Выработка аналитических сценариев развития проблемных ситуаций и управления ими. 7. Подготовка рекомендаций по решению первоочередных стратегических проблем на основе компьютерной системы анализа проблемных ситуаций. 8. Мониторинг проблем в социально-экономическом развитии корпорации, региона, города, государства. 9. Технология когнитивного моделирования целенаправленного развития региона РФ. 21  10. Анализ развития региона и мониторинг проблемных ситуаций при целе- направленном развитии региона. Интеллектуальный анализ данных. Данная лекция основана на работах [8, 19-21]. К числу интеллектуальных технологий анализа данных относят тех- нологии Data Mining (разведка, добыча данных), которые реализуют: ‒ поиск ранее неизвестных функциональных и логических закономерно- стей накопленной информации (интеллектуальная деятельность); ‒ построение моделей и правил с целью объяснения этих найденных зако- номерностей или найденных аномалий; ‒ прогнозирование развития изучаемых процессов. Специфика современных требований к переработке данных: ‒ данные имеют практически неограниченный объем; ‒ данные являются разнородными (количественными, качественными, тес- товыми и т.д.); ‒ результаты должны быть конкретны и понятны; ‒ инструменты для обработки «сырых», т. е. непроверенных, неверифици- рованных данных должны быть просты в использовании. Процесс обнаружения в «сырых» данных включает в себя поиск: ‒ ранее неизвестных знаний; ‒ нетривиальных выводов; ‒ практически полезных выводов; ‒ доступных для интерпретации знаний, необходимых для принятия реше- ний в различных сферах человеческой деятельности. Место технологий Data Mining среди других технологий обработки данных по уровню знаний, извлекаемых из данных, приведено на рис 4. Аналитические инструменты Уровни знаний Простые запросы – Поверхностный технология OLTP Оперативная аналити- ческая обработка – Неглубокий технология OLAP Интеллектуальный анализ данных – Уровень Data Mining скрытых знаний Рис. 4. Схема уровней знаний, извлекаемых из данных Data Mining применяется в следующих отраслях: 22  ‒ торговля, в том числе и розничная (анализ покупательской корзины, ана- лиз временных шаблонов, создание прогнозируемых моделей); ‒ страхование; ‒ банковское дело (выявление мошенников с кредитными карточками, сегментация клиентов (разбиение на группы – каким клиентам какие услуги предлагать), прогнозирование изменения клиентуры); ‒ в сфере коммуникаций (здесь ставятся следующие задачи: анализ запи- сей по характеристикам вызовов – какой круг клиентов, какими видами услуг пользуется; выявление лояльности клиентов); ‒ химия; ‒ промышленность; ‒ медицина и т. д. Успех применения систем Data Mining основан на том, что эти технологии обеспечивают исследование эмпирических данных и выявление в них скрытых закономерностей различных видов, т. е. обеспечивают решение следующих за- дач: 1. Классификация – задача выявления признаков однотипных объектов для того, чтобы отнести новый объект к тому или иному классу. 2. Кластеризация – развитие идеи классификации на более сложный случай, когда сами классы объектов не предопределены, но стоит задача определить однородные группы данных. 3. Выявление ассоциаций – установление правил, указывающих на то, что при наступлении одного события с определенной вероятностью наступает дру- гое. 4. Выявление последовательностей – установление связи между событиями, наступающими не одновременно, а с некоторым временным шагом. 5. Задача прогнозирования – оценка будущих значений, определяемых по- казателей на основе их текущих и ретроспективных данных. Это наиболее сложная из перечисленных задач. Процесс информационной деятельности может быть представлен рядом временных стадий, которые изображены на рис.5. Свободный поиск – это процесс исследования накопленных данных на предмет поиска скрытых закономерностей без предварительного выявления ги- потез относительно этих закономерностей (если гипотеза скрытая, то поиск свободный). В процессе свободного поиска используется математический аппарат услов- ной логики, с помощью правил которой могут быть описаны группы примеров в задачах классификации и кластеризации. На основе использования правил ассоциативной логики можно решать зада- чи выявления ассоциаций и последовательностей. Выявление трендов (наличие какой-то устойчивой закономерности в том объеме данных, которые используются) и колебаний является первым этапом программирования. 23  Стадии Свободный поиск Прогностическое Анализ моделирование исключений Выявление зако- Выявление зако- Выявление Предсказание Предсказание Выявление и номерностей номерностей трендов и неизвестных развития объяснение условной логики ассоциативной колебаний значений процессов отклонений логики Действия Рис. 5. Стадии информационной деятельности Вторая стадия информационной деятельности – прогностическое моделиро- вание. Осуществление действий на этой стадии становится возможным после выполнения действий на стадии свободного поиска. Третья стадия – анализ исключения из правил. Данная стадия занимается тем, чем обусловлено выпадение какого-то параметра от ранее установленной закономерности, выявляются отклонения и даются им объяснения. Математической основой систем Data Mining является следующие методы поиска различных закономерностей в данных: деревья решений; алгоритмы кластеризации; регрессионный анализ; нейронные сети; временные ряды и др. Указанные методы и программные продукты Data Mining подробнее описаны в главе 3. Генетические Алгоритмы (ГА) – это адаптивные методы функциональной оптимизации, основанные на компьютерном имитационном моделировании биологической эволюции. Основные принципы ГА были сформулированы Гол- ландом в 1975 году и хорошо описаны во многих работах и на ряде сайтов в Internet [7-8]. В генетических алгоритмах используются специфические термины, взятые из генетики, которые трактуются следующим образом. Исходные логические закономерности в базе данных именуют хромосомами, а весь набор закономер- ностей называют популяцией хромосом. Популяция обрабатывается с помощью процедур репродукции, изменчивости (мутаций), генетической композиции. В ходе работы процедур на каждой стадии эволюции получают популяции со все более совершенными индивидуумами. Генетические алгоритмы сконструированы таким образом, что при генера- ции каждой новой популяции используются фрагменты исходных решений, к которым добавляются новые элементы, обеспечивающие улучшение решений относительно сформулированного критерия отбора. Другими словами, генети- 24 ческие алгоритмы используют информацию, накопленную в процессе эволю- ции. В генетических алгоритмах и эволюционном программировании используют два основных механизма воспроизводства хромосом: – воспроизводство без мутаций, соответствующее митозу, результатом ко- торого являются потомки – копии родителей; – воспроизводство потомков, имеющих большие отличия от родителей. Этот механизм соответствует половому размножению. В генетических алгоритмах в основном используется механизм родитель- ского воспроизводства с рекомбинацией и мутацией, а в эволюционном про- граммировании – механизм на основе мутации без рекомбинации. Таким образом, по сути дела каждый конкретный генетический алгоритм представляют имитационную модель некоторой определенной теории биологи- ческой эволюции или ее варианта. Материальное воплощение сконструирован- ных таким образом систем до сих пор была невозможна без участия человека. Однако интенсивно ведутся работы, результатом которых является уменьшение зависимости машинной эволюции от человека. Эти работы ведутся по двум ос- новным направлениям: 1. Естественный отбор, моделируемый ГА, переносится из виртуального мира в реальный, например, проводятся эксперименты по реальным битвам ро- ботов на выживание. 2. Интеллектуальные системы, основанные на ГА, конструируют роботов, которые в принципе могут быть изготовлены на автоматизированных заводах без участия человека. Генетические алгоритмы используют в теории нечётких систем для на- стройки параметров функций принадлежности. Интеграция чётких и нечётких нейронных сетей и генетических алгоритмов обеспечивает реализацию оптими- зационной задачи. Средства fuzzy–neuro–genetic используются в интеллекту- альных системах и содержат следующие процедуры: ‒ преобразование входных примеров в нечёткое представление; ‒ извлечение знаний, представленных в виде продукций ЕСЛИ–ТО из не- чёткой обучающей выборки с помощью нейронной сети; ‒ оптимизацию структуры продукционных правил с помощью генетиче- ского алгоритма. Активно развивается направление, ориентированное на использование гене- тических алгоритмов для обучения нейронных сетей и корректировки структу- ры уже обученной сети. В отличие от метода обратного распространения ошиб- ки генетические алгоритмы мало чувствительны к архитектуре сети. Генетиче- ские алгоритмы чаще всего применяются для улучшения характеристик ИНС, уже созданных и обученных с применением других методов На основе генетических алгоритмов предложены классифицирующие сис- темы, которые можно использовать для целей управления. Классифицирующая система состоит из трёх вложенных друг в друга подсистем: классификатора, системы обучения и генетического алгоритма. В классификатор поступают 25 внешние сообщения и положительные оценки (поощрения) его действий. Клас- сификатор содержит правила вида «ЕСЛИ, ТО», с по- мощью которых формируются выходные сообщения. Обучающая система вы- полняет оценку используемых правил. Генетический алгоритм предназначен для случайно направленной модификации правил. В настоящее время активно развиваются методы, основанные на объедине- нии технологий инженерии знаний и генетических алгоритмов. В области ГА разрабатываются операторы, ориентированные на обработку знаний. Генетические алгоритмы нашли широкое практическое применение в ме- неджменте и управлении для решения задач поиска оптимальных решений, формирования моделей и прогнозирования значений различных показателей. Они осуществляют поиск лучших решений на основе заданной целевой функ- ции. Значение целевой функции для многих задач весьма непросто вычислить, поэтому в ряде случаев при исследовании плохо обусловленных проблем с этой целью применяются нейронные сети, позволяющие найти решение при отсут- ствии явной модели. Кроме того, для вычисления целевых функций в условиях неопределённости применяются статистические методы и методы логического вывода в чёткой или нечёткой среде. Формирование системы прогнозирующих правил. Генетические алгоритмы могут использоваться для нахождения оптимального набора правил, позво- ляющих прогнозировать страховые риски с учётом ряда определяющих его факторов. Для решения этой задачи необходимо иметь базу данных, содержа- щую фактические значения переменных, влияющих на страховой риск. Выводы Современное состояние разработок в области интеллектуальных систем в России можно охарактеризовать как стадию все возрастающего интереса среди широких слоев специалистов – менеджеров, инженеров, программистов и дру- гих. Наибольшие трудности в разработке интеллектуальных систем, основан- ных на знаниях, вызывает не сколько процесс машинной реализации систем, а этап анализа знаний и проектирования базы знаний. Создание интеллектуальных систем должно включать три этапа: ‒ cоздание материальной системы поддержки (эта проблема в основном решена, так как ИС могут создаваться даже на базе современных персональных компьютеров); ‒ cоздание системы потенциального искусственного интеллекта, то есть программной оболочки, инструментальной системы (таких систем в настоящее время существует пока еще очень мало); ‒ обучение и самообучение системы искусственного интеллекта и преоб- разование ее в реальную ИС. Интеллектуальные системы применяются для решения сложных задач, свя- занных с использованием слабо формализован