Системы с интеллектуальным интерфейсом
Интеллектуальные базы данных отличаются от обычных бах данных возможностью выборки по запросу необходимой информации, которая может явно не хранится, а выводиться из имеющейся в базе данных. Примерами таких запросов могут быть следующие:
- “Вывести список товаров, цена которых выше среднеотраслевой”,
- “Вывести список товаров-заменителей некоторой продукции”,
- “Вывести список потенциальных покупателей некоторого товара” и ДР.
Для выполнения первого типа запроса необходимо сначала проведение статистического расчета среднеотраслевой цены по всей базе данных, а уже после этого собственно отбор данных. Для выполнения второго типа запроса необходимо вывести значения характерных признаков объекта, а затем поиск по ним аналогичных объектов. Для третьего типа запроса требуется сначала определить список посредников-продавцов, выполняющих продажу данного товара, а затем провести поиск связанных с ними покупателей.
Во всех перечисленных типах запросов требуется осуществить поиск по условию, которое должно быть доопределено в ходе решения задачи. Интеллектуальная система без помощи пользователя по структуре базы данных сама строит путь доступа к файлам данных. Формирование запроса осуществляется в диалоге с пользователем, последовательность шагов которого выполняется в максимально удобной для пользователя форме. Запрос к базе данных может формулироваться и с помощью естественно-языкового интерфейса.
Естественно-языковой интерфейс предполагает трансляцию естественно-языковых конструкции на внутренний уровень представления знаний. Для этого необходимо решать задачи морфологического, синтаксического и семантического анализа и синтеза высказываний на естественном языке. Так морфологический анализ предполагает распознавание и проверку правильности написания слов по словарям, синтаксический контроль разложение входных сообщений на отдельные компоненты (определение структуры) с проверкой соответствия грамматическим правилам внутреннего представления знаний и выявления недостающих частей и, наконец, семантический анализ – установление смысловой правильности синтаксических конструкций. Синтез высказываний решает обратную задачу преобразования внутреннего представления информации в естественно-языковое.
Естественно-языковой интерфейс используется для:
Доступа к интеллектуальным база данных;
Контекстного поиска документальной текстовой информации;
Голосового ввода команд в системах управления;
Машинного перевода с иностранных языков.
Гипертекстовые системы предназначены для реализации поиска по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются возможностью более сложной семантической организации ключевых слов, которая отражает различные смысловые отношения терминов. Таким образом, механизм поиска работает прежде всего с базой знаний ключевых слов, а уже затем непосредственно с текстом. В более широком плане сказанное распространяется и на поиск мультимедийной информации, включающей помимо текстовой и цифровой информации графические, аудио и видео- образы.
Системы контекстной помощи можно рассматривать, как частный случай интеллектуальных гипертекстовых и естественно-языковых систем. В отличие от обычных систем помощи, навязывающих пользователю схему поиска требуемой информации, в системах контекстной помощи пользователь описывает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекомендаций. Такие системы относятся к классу систем распространения знаний (Knowledge Publishing) и создаются как приложение к системам документации (например, технической документации по эксплуатации товаров).
Системы когнитивной графики позволяют осуществлять интерфейс пользователя с ИИС с помощью графических образов, которые генерируются в соответствии с происходящими событиями. Такие системы пользуются в мониторинге и управлении оперативными процессами. Графические образы в наглядном 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 параметр, а общее выражение лица дает интегрированную характеристику ситуации.
Системы когнитивной графики широко используются также в обучающих и тренажерных системах на основе использования Принципов виртуальной реальности, когда графические образы моделируют ситуации, в которых обучаемому необходимо принимать решения и выполнять определенные действия.
Экспертные системы
Назначение экспертных систем заключается в решении достаточно трудных для экспертов задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области. Достоинство применения экспертных систем заключается в возможности принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решений) из базы знаний. Причем решение задач предполагает осуществлять в условиях неполноты, недостоверности,. Многозначности исходной информации и качественных оценок процессов.
Экспертная система является инструментом, усиливающим интеллектуальные способности эксперта, и может выполнять следующие роли:
Консультанта для неопытных или непрофессиональных пользователей;
Ассистента в связи с необходимостью анализа экспертом различных вариантов принятия решений;
Партнера эксперта по вопросам, относящимся к источникам знаний из смежных областей деятельности.
Архитектура экспертной системы включает в себя два основных компонента: базу знаний (хранилище единиц знаний) и программный инструмент доступа и обработки знаний, состоящий из механизмов вывода заключений (решения), приобретения знаний, объяснения получаемых результатов и интеллектуального интерфейса.
База знаний – это совокупность единиц знаний, которые представляют собой формализованное с помощью некоторого метода представления знаний описание объектов проблемной области и их взаимосвязей, действий над объектами и возможно, неопределенностей, с которыми эти действия осуществляются. В качестве методов представления знаний чаще всего используются либо правила, либо объекты (фреймы), либо их комбинации. Так, правила представляют собой конструкцию:
Если <условие>
То <заключение> CF (Фактор определенности) <значение>
В качестве факторов определенности (CF), как правило, выступают либо условные вероятности байесовского подхода (от 0 до 1), либо коэффициенты уверенности нечеткой логики (от 0 до 100).
Примеры правил имеют следующий вид:
Правило 1: Если коэффициент рентабельности >0.2
То рентабельность =«удовл.» CF 100
Правило 2: Если задолженность = «нет» и рентабельность = «удовл.»
То финансовое состояние = «удовл.» CF 80
Правило 3: Если финансовое сост. = «удовл.» и репутация = «удовл.»
То надежность предприятия = «удовл.» CF 90
Интеллектуальный интерфейс. Обмен данными между конечным пользователем и ЭС выполняет программа интеллектуального интерфейса, которая воспринимает сообщения пользователя и преобразует их в форму представления базы знаний и, наоборот, переводит внутреннее представление результат обработки в формат пользователя и выдает сообщение на требуемый носитель. Важнейшим требованием к организации диалога пользователя с ЭС является естественность, которая не означает буквально формулирование потребностей пользователя предложениями естественного языка, хотя это и не исключается в ряде случаев. Важно, чтобы последовательность решения задачи была гибкой, соответствовала представлениям пользователя и велась в профессиональных терминах.
Механизм вывода. Этот программный инструмент получает от интеллектуального интерфейса преобразованный во внутреннее представление запрос, формирует из базы знаний конкретный алгоритм решения задачи, выполняет алгоритм, а полученный результат представляется интеллектуальному интерфейсу для выдачи ответа на запрос пользователя.
В основе пользования любого механизма вывода лежит процесс нахождения в соответствии с поставленной целью и описанием конкретной ситуации (исходных данных) относящихся к решению единиц знаний (правил, объектов, прецедентов и т.д.) и связыванию их при необходимости в цепочку рассуждений, приводящую к определенному результату. Для представления знаний в форме правил это может быть прямая или обратная цепочка рассуждений.
Коэфф. Рентабельность =
Рентаб.>20 «удовл.»
Финансовое
Состояние =
«удовл.»
Задолженность = Надежность =
«нет» «Удовл.»
Репутация =
«Удовл.»
Прямая цепочка рассуждений
Рентабельность = Коэфф.
«Удовл.»? Рентаб.>20
ДА ДА
Финансовое
Состояние =
«Удовл.»?
Надежность = Задолженность =
«Удовл.»? «нет»?
ДА ДА
Репутация =
«Удовл.»?
ДА
Обратная цепочка рассуждений
Для объектно-ориентированного представления знаний характерно применение механизма наследования атрибутов, когда значение атрибутов передаются по иерархии от вышестоящих классов к нижестоящим (например: код отрасли, отраслевой коэффициент рентабельности). Также при заполнении атрибутов фрейма необходимыми данными запускаются на выполнение присоединенные процедуры.
Необходимыми данными запускаются на выполнение присоединенные процедуры.
Механизм объяснения. В процессе или по результатам решения задачи пользователь может запросить объяснение или обоснование хода решения. С этой целью ЭС должна предоставить соответствующий механизм объяснения. Объяснительные способности ЭС определяются возможностью механизма вывода запоминать путь решения задачи. Тогда вопросы пользователя «Как?» и «Почему?» получено решение или запрошены те или иные данные система всегда может выдать цепочку рассуждений до требуемой контрольной точки, сопровождая выдачу объяснения заранее подготовленными комментариями. В случае отсутствия решения задач объяснение должно выдаваться пользователю автоматически. Полезно иметь возможность и гипотетического.
Объяснения решения задачи, когда система отвечает на вопросы, что будет в том или ином случае.
Однако, не всегда пользователя может интересовать полный вывод решения, содержащий множество ненужных деталей. В этом случае система должна уметь выбирать из цепочки только ключевые моменты с учетом их важности и уровня знаний пользователя. Для этого в базе знаний необходимо поддерживать модель знаний и намерений пользователя. Если же пользователь продолжает не понимать полученный ответ, то система должна быть способна в диалоге на основе поддерживаемой модели проблемных знаний обучать пользователя тем или иным фрагментам знаний, т.е. раскрывать более подробно отдельные понятия и зависимости, если даже эти детали непосредственно в выводе не использовались.
Механизм приобретения знаний. База знаний отражает знания экспертов (специалистов) в данной проблемной области о действиях в различных ситуациях или процессах решения характерных задач. Выявлением подобных знаний и последующим их представлением в базе знаний занимаются специалисты, называемые инженерами знаний. Для ввода знаний в базу и их последующего обновления, ЭС должна обладать механизмом приобретения знаний. В простейшем случае это интеллектуальный редактор, который позволяет вводить единицы знаний в базу и проводить их синтаксический и семантический контроль, например, на непротиворечивость, в более сложных случаях извлекать знания путем специальных сценариев интервьюирования экспертов, или из вводимых примеров реальных ситуаций, как в случае индуктивного вывода, или из текстов, или из опыта работы самой интеллектуальной системы.
Классы экспертных систем. По степени сложности решаемых задач ЭС можно классифицировать следующим образом:
-по способу формирования решения ЭС разделяются на два класса: аналитические и синтетические. Аналитические системы предполагают выбор решений из множества известных альтернатив (определение характеристик объектов), а синтетические системы – генерацию неизвестных решений (формирование объектов).
-по способу учета временного признака ЭС могут быть статическими и динамическими. Статические системы решают задачи при неизменяемых в процессе решения данных и знаниях, динамические системы допускают такие изменения. Статические системы осуществляют монотонное непрерывное пересмотра в процессе решения полученных ранее результатов и данных.
-по видам используемых данных и знаний ЭС классифицируются на системы с детерминированными (четко определенными) знаниями и неопределенными знаниями. Под неопределенностью знаний (данных) понимается их неполнота (отсутствие), недостоверность (неточность измерения), двусмысленность (многозначность понятия), нечеткость (качественная оценка вместо количественной).
-по числу используемых источников знаний ЭС могут быть построены с использованием одного или множества источников знаний могут быть альтернативными (множество миров) или дополняющими друг друга (кооперирующими).
В соответствии с перечисленными признаками классификации, как правило, выделяются следующие четыре основные класс ЭС:
Анализ | Синтез | ||
Детерминированность знаний | Классифицирующие | Трансформирующие | Один источник знаний |
Неопределенность знаний | Доопределяющие | Многоагентные | Множество источников знаний |
Статика | Динамика |
Классы ЭС
Классифицирующие ЭС. К аналитическим задачам прежде всего относится задачи распознавания различных ситуаций, когда по набору заданных признаков (факторов) выявляется сущность некоторой ситуации, в зависимости от которой выбирается определенная последовательность действий. Таким образом, в соответствии с исходными условиями среди альтернативных решений находится одно, наилучшим образом удовлетворяющее поставленной цели и ограничениям.
Экспертные системы, решающие задачи распознавания ситуаций, называются классифицирующими, поскольку определяют принадлежность анализируемой ситуации к некоторому классу. В качестве основного метода формирования решений используется метод логического дедуктивного вывода от общего к частному, когда путем подстановки исходных данных в некоторую совокупность взаимосвязанных общих утверждений получается частное заключение.
Доопределяющие экспертные системы. Более сложный тип аналитических задач представляют задачи, которые решаются на основе неопределенных исходных данных и применяемых знаний. В этом случае экспертная система должна как бы доопределять недостающие знания, а в пространстве решений может получаться несколько возможных решений с различной вероятностью или уверенностью в необходимости их выполнения. В качестве методов работы с неопределенностями могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика. Доопределяющие экспертные системы могут использоваться для формирования решения несколько источников знаний. В этом случае могут использоваться эвристические приемы выбора единиц знаний из их конфликтного набора, например, на основе использования приоритетов важности, или получаемой степени определенности результата, или значений функций предпочтений и т.д.
Для аналитических задач классифицирующего и доопределяющего типов характерны следующие проблемные области:
Интерпретация данных – выбор решения из фиксированного множества альтернатив на базе введенной информации о текущей ситуации. Основное назначение – определение сущности рассматриваемой ситуации, выбор гипотез, исходя их фактов. Типичным примером является экспертная система анализа финансового состояния предприятия.
Диагностика – выявление причин приведших к возникновению ситуации. Требуется предварительная интерпретация ситуации с последующей проверкой дополнительных фактов, например, выявление факторов снижения эффективности производства.
Коррекция – диагностика, дополненная возможностью оценки и рекомендации действий по исправлению отклонений от нормального состояния рассматриваемых ситуаций.
В качестве методов решения задач в трансформирующих экспертных системах используются разновидности гипотетического вывода:
Генерации и тестирования, когда по исходным данным осуществляется генерация гипотез, а затем проверка сформулированных гипотез на подтверждение поступающими фактами;
Предположений и умолчаний, когда по неполным данным подбираются знания об аналогичных классах объектов, которые в дальнейшем динамически адаптируются к конкретной ситуации в зависимости от ее развития;
Использование общих закономерностей (метауправления) в случае неизвестных ситуаций, позволяющих генерировать недостающее знание.
Многоагентные системы. Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой получаемыми результатами на динамической основе, например, через «доску объявлений».
События
|
Ист. Знаний - 1
Ист. Знаний - 2
Ист. Знаний - 3 Ист. Знаний - 4
«Доска объявлений»
Для много агентных систем характерны следующие особенности:
Проведение альтернативных рассуждений на основе использования различных источников знаний с механизмом устранения противоречий;
Распределенное решение проблем, которые разбиваются на параллельно решаемые подпроблемы, соответствующие самостоятельным источникам знаний;
Применение множества стратегий работы механизма вывода заключений в зависимости от типа решаемой проблемы;
Обработка больших массивов данных, содержащихся в базе данных;
Использование различных математических моделей и внешних процедур, хранимых в базе моделей;
Способность прерывания решения задач в связи с необходимостью получения дополнительных данных и знаний от пользователей, моделей, параллельно решаемых подпроблем.
Для синтезирующих динамических экспертных систем наиболее применимы следующие проблемные области:
· Проектирование – определение конфигурации объектов с точки зрения достижения заданных критериев эффективности и ограничений, например, проектирование бюджета предприятия или портфеля инвестиций.
· Прогнозирование – предсказание последствий развития текущих ситуаций на основе математического и эвристического моделирования, например, прогнозирование трендов на биржевых торгах.
· Диспетчирование – распределение работ во времени, составление расписаний, например, планирование графика освоения капиталовложений.
· Последовательности
· Планирование – выбор пользователей по достижению поставленной цели, планирование процессов поставки продукции.
· Мониторинг – слежение за текущей ситуацией с последующей коррекцией. Для этого выполняется диагностика, прогнозирование, а в случае необходимости планирование и коррекция действий пользователей, например, мониторинг сбыта готовой продукции.
· Управление – мониторинг, дополненный реализацией действий в автоматических системах, например, принятие решений на биржевых торгах.
Дата добавления: 2021-01-11; просмотров: 190;