Интеллектуальные информационные системы (ИИС)

Как видно из предыдущего раздела, современные базы данных включают в свой состав целый ряд механизмов и технологий, повышающих их интеллектуальные возможности. Это относится прежде всего к многомерной организации данных в хранилищах данных, организации естественно-языкового интерфейса на ограниченном фрагменте языка, реализации сценариев «что если». Все эти механизмы почерпнуты из области исследований по искусственному интеллекту.

Системы поддержки принятия решений – квазиинтеллектуальные системы, поскольку они призваны автоматизировать не сам процесс оценки предпочтительности гипотез или выбора варианта решения, а только готовят аналитические обобщенные данные для окончательного выбора решения специалистом-менеджером.

Важность этих систем для теории и практики и практики искусственного интеллекта определяется двумя обстоятельствами:

Ø в DSS реализуется поиск аналитических зависимостей или агрегатов, при использовании которых правила принятия решений, т.е. зависимости между наблюдаемыми данными и гипотезами становятся более простыми;

Ø в структуре специализированных процессоров или архитектур этих систем реализуются некоторые начальные этапы технологии обработки данных, характерных для технологии искусственного интеллекта. Это относится к организации хранения и обработки больших объемов данных в виде многомерных кубов с учетом семантических взаимосвязей

На начальных стадиях разработки методов искусственного интеллекта создание экспертных систем (ЭС), предназначенных для оценки предпочтительности гипотез на основе наблюдаемых данных, и документальных информационно-поисковых систем (ИПС) и систем управления базами данных (СУБД) шло параллельными путями, затем произошло объединение ИПС как компоненты полнотекстового поиска и реляционных СУБД. В настоящее время постреляционные СУБД включают в себя ряд компонентов из области искусственного интеллекта.

Экспертные системы представляли собою автономные программные комплексы не интегрированные с базами данных и системами аналитических вычислений. Понятие «экспертная система» закрепилось за такими автономными программами, ориентированными на определенную достаточно узкую сферу применения.

Затем стало ясно, что принципы логического вывода и баз знаний применимы к широкому кругу задач, экспертные системы стали использовать базы данных и оформляться как программные продукты, имеющие развитые средства ввода-вывода данных, хранения и ведения баз знаний, прикладные задачи и такую новую генерацию систем стали называть интеллектуальные информационные системы .

ИИС объединяют в себе возможности СУБД, лежащих в основе ИС, и технологию искусственного интеллекта, благодаря чему хранение в них экономической информации сочетается с ее обработкой и подготовкой для использования при принятии решений. Вначале ИИС, называемые также системами, основанными на знаниях, рассматривались как средство, позволяющее не экспертам принимать решения с таким же качеством, как один или более экспертов в конкретной области. Однако очень быстро стало ясно, что эта технология в действительности способна к достижению большего объема знаний и более быстрого реагирования, чем группа специалистов.

Первоначально ИИС использовали знания нескольких экспертов в каждой из областей инвестиций. В настоящее время базы знаний частично формируются посредством машинного обучения, используя методы индукции, генетические алгоритмы и некоторые другие методы извлечения знаний. Менеджер, используя такую схему, теоретически может принимать решения более эффективно и с меньшей стоимостью, чем это смог бы сделать любой индивидуальный эксперт в данной области. Наиболее очевидным преимуществом интеграции некоторых форм искусственного интеллекта в процессе принятия решений по сравнению с постоянным консультированием с группой экспертов обычно является более низкая стоимость и большее соответствие результатов задаче. В отличие от обычных аналитических и статистических моделей, ИИС позволяют получить решение трудно формализуемых слабо структурированных задач. Возможность ИИС работать со слабо структурированными данными подразумевает наличие следующих качеств:

Ø решать задачи, описанные только в терминах мягких моделей, когда зависимости между основными показателями являются не вполне определенными или даже неизвестными в пределах некоторого класса;

Ø способность к работе с неопределенными или динамичными данными, изменяющимися в процессе обработки, позволяет использовать ИИС в условиях, когда методы обработки данных могут изменяться и уточняться по мере поступления новых данных;

Ø способность к развитию системы в плане извлечения знаний из накопленного опыта конкретных ситуаций увеличивает мобильность и гибкость системы, позволяя ей быстро осваивать новые области применения.

Возможность использования информации, которая явно не хранится, а выводится из имеющихся в базе данных, позволяет уменьшить объемы хранимой фактуальной информации при сохранении богатства доступной пользователю информации. Направленность ИИС на решение слабо структурированных, плохо формализуемых задач расширяет область применения ИИС.

Наличие развитых коммуникативных способностей у ИИС дает возможность пользователю выдавать задания системе и получать от нее обработанные данные и комментарии на языке, близком к естественному. Система естественно-языкового интерфейса (СЕЯИ) транслирует естественно-языковые структуры на внутримашинный уровень представления знаний. Включает морфологический, синтаксический, семантический анализ и соответственно в обратном порядке синтез. Программа интеллектуального интерфейса воспринимает сообщения пользователя и преобразует их в форму представления базы знаний и, наоборот, переводит внутреннее представление результата обработки в формат пользователя и выдает сообщение на требуемый носитель.

Важнейшее требование к организации диалога пользователя с ИИС – естественность, означающая формулирование потребностей пользователя с использованием профессиональных терминов конкретной области применения. Наибольшее распространение ИИС получили для экономического анализа деятельности предприятия, стратегического планирования, инвестиционного анализа, оценки рисков и формирования портфеля ценных бумаг, финансового анализа, маркетинга.

Применение ИИС совместно со стандартными методами исследования операций, динамического программирования, а также с методами нечеткой логики для планирования при комплексной автоматизации деятельности предприятия, приносит принципиальные выгоды: реально снижаются операционные издержки; повышается качество управленческих решений.

Ø

Ø 7. Признаки и отличительные черты ИИС

 

Детальное обоснование политики предприятия в решении задач расширения и модернизации производства, диверсификации деятельности, повышении эффективности использования производственных мощностей позволяет формировать выполнимые и хорошо контролируемые планы работ. Такое обоснование, базирующееся на текущей производственной загрузке, необходимых материальных и человеческих ресурсах, возможно лишь в хорошо структурированных средах с достаточным информационным базисом. Для ИИС характерны следующие признаки:

Ø развитые коммуникативные способности: возможность обработки произвольных запросов в диалоге на языке максимально приближенном к естественному (система естественно-языкового интерфейса – СЕЯИ);

Ø направленность на решение слабоструктурированных, плохо формализуемых задач (реализация мягких моделей);

Ø способность работать с неопределенными и динамичными данными;

Ø способность к развитию системы и извлечению знаний из накопленного опыта конкретных ситуаций;

Ø возможность получения и использования информации, которая явно не хранится, а выводится из имеющихся в базе данных;

Ø система имеет не только модель предметной области, но и модель самой себя, что позволяет ей определять границы своей компетентности;

Ø способность к аддуктивным выводам, т.е. к выводам по аналогии;

Ø способность объяснять свои действия, неудачи пользователя, предупреждать пользователя о некоторых ситуациях, приводящих к нарушению целостности данных.

Традиционно считается, что ИИС содержит базу данных, базу знаний, интерпретатор правил или машину вывода, компоненту объяснения и естественно-языкового интерфейса, обеспечивающих связный дискурс, т.е. диалог пользователя и системы с попеременным переходом инициативы.

Отличительные особенности ИИС по сравнению с обычными ИС состоят в следующем:

Ø интерфейс с пользователем на естественном языке с использованием бизнес-понятий, характерных для предметной области пользователя;

Ø способность объяснять свои действия и подсказывать пользователю, как правильно ввести экономические показатели и как выбрать подходящие к его задаче параметры экономической модели;

Ø представление модели экономического объекта и его окружения в виде базы знаний и средств дедуктивных и правдоподобных выводов в сочетании с возможностью работы с неполной или неточной информацией;

Ø способность автоматического обнаружения закономерностей бизнеса в ранее накопленных фактах и включения их в базу знаний.

ИИС особенно эффективны в применении к слабо структурированным задачам, в которых пока отсутствует строгая формализация, и для решения которых применяются эвристические процедуры, позволяющие в большинстве случаев получить решение. Отчасти этим объясняется то, что диапазон применения ИИС необычайно широк: от управления непрерывными технологическим процессами в реальном времени до оценки последствий от нарушения условий поставки товаров по импорту.

По мере совершенствования принципов логического и правдоподобного вывода, применяемых в ИИС за счет использования нечеткой, модальной, временной логики, байесовских сетей вывода, ИИС начинают проникать в высокоинтеллектуальные области, связанные с разработкой стратегических решений по совершенствованию деятельности предприятий. Этому способствуют более современные алгоритмы анализа и синтеза предложений естественного языка, облегчающие общение пользователя с системой.

Включение в состав ИИС классических экономико-математических моделей, методов линейного, квадратичного и динамического программирования позволяет сочетать анализ объекта на основе экономических показателей с учетом факторов и рисков политических и внеэкономических факторов, оценивать последствия полученных их ИИС решений.

Наличие в составе ИИС объектно-ориентированной базы данных позволяет однородными средствами обеспечить хранение и актуализацию как фактов, так и знаний.

Проектирование ИИС как крупного программного комплекса как в отношении его жизненного цикла, так и в отношении технологии проектирования незначительно отличается от технологии проектирования ИС. Основная специфика связана с разработкой базы знаний.

Ø

Ø 8. Классификация ИИС

Классификация ИИС

ИИС можно классифицировать (рис. 1.3) по разным основаниям. Мы выберем в качестве оснований классификации следующие:

Ø предметная область в экономике,

Ø степень автономности от корпоративной ИС или базы данных,

Ø по способу и оперативности взаимодействия с объектом,

Ø адаптивности, модели знаний.

На рисунке для примера приведены ИИС из областей менеджмента, риск-менеджмента и инвестиций. По степени интеграции ИИС могут быть: автономные в виде самостоятельных программных продуктов с собственной базой данных; сопрягаемые с корпоративной системой с помощью средств ODBC или OLE dB; полностью интегрированные. По операивности принято различать динамические и статические ИИС. Однако фактор времени всегда является существенным в ИИС и полностью статических систем не может быть по определению. Предлагается различать ИИС реального времени с собственными сенсорами и эффекторами и советующие, в контур которых вовлечен пользователь.

По адаптивности различаются обучаемые ИИС типа нейронных сетей, т.е. системы, параметры, а возможно структура которых могут изменяться в процессе обучения или самообучения, и ИИС, параметры которых изменяются администратором базы знаний. Наиболее часто используемые модели знаний приведены непосредственно на рис. 1.3. Приведем несколько примеров ИИС.

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.

⇐ Предыдущая1234567Следующая ⇒

Поделиться: