Лекция 1. Введение в интеллектуальные информационные технологии.

 

В лекции изложены основные направления создания и развития интеллектуальных информационных технологий, которые дают возможность пользователю получить сведения по интересующей проблеме, используя накопленный опыт и знания профессионалов.

 

В основе стратегии интеллектуальных технологий лежит понятие парадигмы - концептуального представления на суть проблемы или задачи и принцип ее решения. Центральная парадигма интеллектуальных технологий - это обра­ботка знаний. Системы, ядром которых является база знаний или модель предметной области, описанная на языке сверхвысокого уровня, прибли­женном к естественному языку, называют интеллектуальными. Чаще всего интеллектуальные системы (ИС) применяются для решения сложных задач, связанных с использованием слабо формализованных знаний специалистов - практиков, а также с логической обработкой информации. Например, поддержка принятия решения в сложных ситуациях, анализ визуальной информации, управление в электрических цепях электрооборудования и сетях распределения электроэнергии; поиск неисправностей в электронных устройствах, диагностика отказов контрольно - измерительного оборудования и т. д. Типичными примерами ИС являются экспертные системы (ЭС) и искусственные нейронные сети (ИНС), берущие на себя решение вопросов извлечения и структурирования знаний, а также технологические аспекты разработки систем, основанных на знаниях.

Экспертные системы – это быстро прогрессирующее направление в области искусственного интеллекта. Современные ЭС представляют собой сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и распространяющие этот эмпирический опыт для консультирования менее квалифици­рованных пользователей. Парадигма ЭС предполагает следующие объекты, а также этапы разработки и функционирования ИС:

· формализация знаний – преобразование экспертом проблемного знания в форму, предписанную выбранной моделью представления знаний;

· формирование базы знаний (БЗ) – вложение формализованных знаний в программную систему;

· дедукция – решение задачи логического вывода на основе БЗ.

Основные факторы, влияющие на целесообразность и эффективность разработки ЭС:

· нехватка специалистов, затрачивающих значительное время для оказания помощи другим;

· выполнение небольшой задачи требует многочисленного коллектива специалистов, поскольку ни один из них не обладает достаточным знанием;

· сниженная производительность, поскольку задача требует полного анализа сложного набора условий, а обычный специалист не в состоянии просмотреть за отведенное время все эти условия;

· большое расхождение между решениями самых хороших и самых плохих исполнителей;

· большое расхождение между решениями самых хороших и самых плохих исполнителей;

· наличие экспертов, готовых поделиться своим опытом.

   Сравнительные свойства прикладных задач для их решения ЭС приведены в таблице 1.

                                                                                                             

                                                                                                               Таблица 1.

Критерии применимости ЭС

Применимы ЭС	Неприменимы ЭС
Не могут быть построены строгие алгоритмы или процедуры, но существуют эвристические методы решения.	Имеются эффективные алгоритми-ческие методы.
Есть эксперты, которые способны решить задачу.	Отсутствуют эксперты или их чис-ло недостаточно.
По своему характеру задачи отно-сятся к области диагностики, интерпретации или прогнозиро-вания	Задачи носят вычислительный характер.
Доступные данные “зашумленны”.	Известны точные факты и строгие процедуры.
Задачи решаются методом фор-мальных рассуждений.	Задачи решаются процедурными методами, с помощью аналогии или интуитивно.
Знания статичны, неизменны.	Знания динамичны меняются со временем.

 

Недостатки экспертных систем перед человеком-экспертом:

· экспертная система может быть не пригодна для применения пользователем, если у него нет опыта работы с такими системами;

· вопросно-ответный режим, обычно принятый в таких системах, замедляет получение решений;

· существует проблема приведения знаний, полученных от эксперта, к виду, обеспечивающему их эффективную машинную реализацию;

· человек-эксперт при решении задач обычно обращается к своей интуиции или здравому смыслу, если отсутствуют формальные методы решения или аналоги таких задач.

Достоинства экспертных систем перед человеком- экспертом:

· у них нет предубеждений, они не делают поспешных выводов;

· введенные в машину знания сохраняются, человек же имеет ограниченную базу знаний, и если данные долгое время не используются, то они забываются и навсегда теряются;

· эксперт пользуется побочными знаниями и легко поддается влиянию внешних факторов, которые непосредственно не связаны с решаемой задачей. 

Главное отличие ЭС от других программных средств - это наличие базы знаний, в которой знания хранятся в форме, понятной специалистам предметной области, и могут быть изменены и дополнены также в понятной форме. Это и есть языки представления знаний (ЯПЗ).

В России в исследования и разработку ЭС большой вклад внесли работы Д. А. Поспелова (основателя Российской ассоциации искусственного интеллекта и его первого президента), Э. В. Попова, В. Ф. Хорошевского, В. Л. Стефанюка, Г. С. Осипова, В. К. Финна, В. Л. Вагина, В. И. Городецкого и многих других. Современное состояние разработок в области ЭС в России можно охарактеризовать как стадию все возрастающего интереса среди широких слоев специалистов - менеджеров, инженеров, программистов и других. Наибольшие трудности в разработке ЭС вызывает не процесс машинной реализации систем, а этап анализа знаний и проектирования базы знаний. Этим занимается специальная наука - инженерия знаний.

Экспертные системы имеют две категории пользователей и два отдельных входа, соответствующих различным целям взаимодействия пользователей с ЭС. К первой категории относятся обычные пользователи, которым требуетсяконсультация ЭС. Вторую категорию представляют эксперты в предметной области и инженеры знаний. В их функции входит заполнение базы знаний с помощью специализированной диалоговой компоненты ЭС - подсистемы приобретения знаний. Подсистема приобретения знаний предназначена для добавления в базу знаний новых правил и модификации имеющихся. В ее задачу входит приведение правила к виду, позволяющему подсистеме вывода применять это правило в процессе работы. В более сложных системах предусмотрены еще и средства для проверки вводимых или модифицируемых правил на непротиворечивость с имеющимися правилами. Диалог с ЭС осуществляется через диалоговый процессор - специальную компоненту ЭС. Существуют две основные формы диалога с ЭС - это диалог на ограниченном подмножествеестественного языка с использованием словаря (меню) и диалог на основе из нескольких возможных действий. База знанийпредставляет наиболее важную компоненту экспертной системы. В отличие от всех остальных компонент ЭС, база знаний – есть «переменная» часть системы, которая может пополняться и модифицироваться инженерами знаний и опыта использования ЭС между консультациями, а в некоторых системах и в процессе консультации. Существует несколько способов представления знаний в ЭС. Общим для всех способов является то, что знания представлены в символьной форме (тексты, списки и другие символьные структуры). Тем самым, в ЭС реализуется принцип символьной природы рассуждений, который заключается в том, что процесс рассуждения представляется как последовательность символьных преобразований. Подсистема вывода - программная компонента экспертных систем, реализующая процесс ее рассуждений на основе базы знаний и рабочего множества. Она выполняет две функции: во-первых, просмотр существующих фактов из рабочего множества и правил из базы знаний и добавление (по мере возможности) в рабочее множество новых фактов и, во-вторых, определение порядка просмотра и применения правил. Эта подсистема управляет процессом консультации, сохраняет для пользователя информацию о полученных заключениях, и запрашивает у него информацию, когда для срабатывания очередного правила в рабочем множестве оказывается недостаточно данных. Цель ЭС - вывести некоторый заданный факт, который называется целевым утверждением. В результате применения правил добиться того, чтобы этот факт был включен в рабочее множество, либо опровергнуть этот факт, то есть убедиться, что его вывести невозможно. Целевое утверждение может быть либо «заложено» заранее в базу знаний системы, либо извлекается системой из диалога с пользователем. Работа системы представляет собой последовательность шагов, на каждом из которых из базы выбирается некоторое правило, которое применяется к текущему содержимому рабочего множества. Цикл заканчивается, когда выведено либо опровергнуто целевое утверждение. Цикл работы экспертной системы иначе называется логическим выводом.

Другим актуальным направлением разработки ИС является создание интеллектуальных нейронных сетей (ИНС). Характер разработок в области ИНС принципиально отличается от ЭС. В основе нейронных сетей лежит преимущественно поведенческий подход к решаемой задаче: сеть «учится на примерах» и подстраивает свои параметры при помощи так называемых алгоритмов обучения через механизм обратной связи. Парадигма ученика включает следующие положения и последовательность действий:

· формирования базы данных на основе обработки наблюдений и изучения опыта частных примеров;

· индуктивное обучение - изучение аппроксимирующих, вероятностных и логических механизмов получения общих выводов из частных утверждений, то есть превращение базы данных (БД) в базу знаний (БЗ) и обоснование процедуры извлечения знаний из БЗ;

· дедукция - выбор информации из БЗ на основе обоснованной или предполагаемой процедуре.

В рамках этой парадигмы самообучающиеся системы являются менее изученными, чем экспертные системы. Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Нейрон реализует достаточно простую передаточную функцию, позволяющую преобразовать возбуждения на входах, с учетом весов входов, в значение возбуждения на выходе нейрона. Функционально законченный фрагмент мозга имеет входной слой нейронов – рецепторов, возбуждаемых извне, и выходной слой, нейроны которого возбуждаются в зависимости от конфигурации и возбуждения нейронов входного слоя. Распределение величин возбуждения нейронов выходного слоя, чаще всего поиск нейрона, обладающего максимальной величиной возбуждения, позволяет установить соответствие между комбинацией и величинами возбуждений на входном слое. Эта зависимость определяет возможность логического вывода вида «если - то». Управление и формирование данной зависимости осуществляется весами синаптических связей нейронов, которые влияют на направление распространения возбуждения нейронов в сети, приводящие на этапе обучения к «нужным» нейронам выходного слоя. Отсюда следует, что сеть работает в двух режимах: в режиме обучения и в режиме распознавания (рабочем режиме). В режиме обучения производится формирование логических цепочек. В режиме распознавания нейронная сеть по предъявленному образу с высокой достоверностью определяет, к какому типу он относится, какие действия следует предпринять и т.д. Следовательно, под ИНС следует понимать системы, параметры, которых могут изменяться в процессе обучения или самообучения, исходя из накопленного опыта обобщающего предыдущие прецеденты на новые случаи и извлекающего существенные свойства из поступающей информации. Нейронные сети применяются для решения трудно формализуемых задач, в которых информация об объекте является неполной, неточной или нечеткой. Кроме того, связь между входными и выходными параметрами может быть настолько сложна, что моделирование в традиционном смысле становится малоэффективным, а порой просто невозможным. Примеры эффективного применения ИНС являются задачи управления, распознавания образов, анализа данных, моделирования и прогнозирования.