Интеллектуальные технологии в информационных системах

Современным информационным системам приходится решать сложные задачи, которые часто не могут быть описаны строго формализованным языком. В этом случае на помощь приходят технологии, базирующиеся на искусственном интеллекте.

Одним из направлений искусственного интеллекта является работа систем, основанных на знаниях. Знания – это выявленные закономерности предметной области (в которой работает информационная система), позволяющие решать возникающие задачи.

Знания связаны с данными, основываются на них, но представляют результат мыслительной деятельности человека, обобщают его опыт, полученный в ходе выполнения какой-либо практической деятельности. Аналогично тому, что данные хранятся в базе данных, знания хранятся в базе знаний.

Главная особенность баз знаний и программ их обрабатывающих заключается в том, что они способны не только выдавать на запросы пользователей сообщения, хранящиеся в памяти ЭВМ, но и формировать ответы на основе логических выводов, не хранящиеся в ЭВМ в явном виде.

База знаний ЭИС содержит следующие элементы:

· сведения, которые отражают имеющиеся в мире закономерности и позволяют выводить новые факты (знания);

· сведения о структуре ЭИС и БД (метаинформация);

· сведения, обеспечивающие преобразование входных запросов во внутренний язык.

Знания могут быть квалифицированны по следующим категориям:

· поверхностные – это знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области;

· глубинные – это абстракции, аналогии, схемы, отображающие структуру и процессы в предметной области.

Современные экспертные системы работают с поверхностными знаниями. С глубинными знаниями в настоящее время экспертные системы работать не могут, так как на данный момент не разработаны модели их описывающие.

Также знания можно разделить на процедурные и декларативные. Процедурные знания – это знания, основанные на алгоритмах, которые обрабатывают данные. Для изменения таких знаний необходимо изменять программы, которые работают по заданным алгоритмам.

Декларативные знания сосредоточены в структурах данных, таких как таблицы, списки, абстрактные типы данных. Декларативными знаниями считаются предложения, записанные на специальных языках представления знания, приближенных к естественному языку общения человека. Такие языки называют также моделями знаний.

Существуют следующие модели представления знания, которые используются в информационных системах:

· продукционные;

· семантические сети:

· фреймы.

Продукционная модель знаний состоит из трех основных компонентов:

· рабочая память, в которой хранятся исходные факты и результаты выводов, полученных из этих фактов;

· набор правил, представляющих собой базу знаний;

· механизм логического вывода, формулирующий новые факты.

Работа данной модели будет выглядеть следующим образом. Например, в рабочей памяти хранятся следующие исходные факты:

1. Доля выборка записей при запросах в работающей БД составляет 9%.

2. Используемая при работе ЭВМ – IMB PC AT.

Имеется следующий набор правил:

1. Если используется метод доступа индексный, то используемая СУБД – Access.

2. Если используется метод доступа последовательный, то используемая СУБД – FoxPro.

3. Если доля выборки записей при запросах составляет менее 10%, то метод доступа индексный.

Следует определить, какая СУБД используется, и какой метод доступа применяется. Ответ получается путем обработки правил и фактов механизмом вывода. Механизм вывода сопоставляет факты из условия каждого правила с фактами, хранящимися в рабочей памяти. В данном случае первым буде сопоставлено условие правила 3 с фактами из рабочей памяти. В результате будет сформулирован новый факт – «Используется индексный метод доступа».

Затем будет сопоставлено условие правила 1 с фактами из рабочей памяти. В результате будет сформулирован новый факт – «Используемая СУБД при работе – Access».

Условие правила 2 с фактами из рабочей памяти не сопоставляется. В результате мы получили два новых факта. Эти факты можно включить в рабочую память, в результате чего объем знаний у модели увеличится, и она сможет отвечать на новые вопросы и решать новые задачи.

В основе модели фреймов лежит фиксация знаний путем сопоставления новых фактов с рамками, определенными для каждого объекта в сознании человека. Структура в памяти ЭВМ, представляющая эти рамки, называется фреймом.

Фрейм представляет собой таблицу, структура и принципы организации которой являются аналогичными отношениям, которые используются в реляционных моделях данных. Различие заключается в следующем:

· имя атрибута может в ряде случаев занимать в фрейме позицию значения;

· значением атрибута может служить имя другого фрейма или имя программно реализованной процедуры.

Структура фрейма состоит из слотов. Слот фрейма – это элемент данных, предназначенный для фиксации знаний об объекте, которому отведен данный фрейм. Каждый слот имеет следующие параметры:

· уникальное имя слота;

· указатель наследования, который показывает какую информацию об атрибутах слотов во фрейме верхнего уровня наследуют слоты с теми же именами во фрейме нижнего уровня;

· указатель типа данных.

Фреймовые системы имеют следующие преимущества по сравнению с продукционной моделью представления знаний:

· знания основаны на базе объектов;

· допускается комбинация представления декларативных (как устроен объект) и процедурных (как взаимодействует объект) знаний;

· иерархия фреймов соответствует классификации понятий, которая привычна для восприятия человеком;

· система фреймов легко расширяется и модифицируется.

Модель семантических сетей для представления знаний представляет собой единую совокупность базы знаний и механизма вывода новых фактов. На основании вопроса к базе знаний строится семантическая сеть, отображающая структуру вопроса. Ответ получается в результате сопоставления общей сети для базы знаний в целом и сети для вопроса.

Например, дана семантическая сеть (точнее часть сети), отображающая деятельность коммерческой фирмы (рис. 19)

Рис. 19. Пример семантической сети

Для вопроса «Кто руководит человеком, который развозит товар в магазин «Вектор» и как его зовут?» будет построена следующая сеть, отображающая структуру вопроса:

Рис. 20. Пример сети для запроса

Данная сеть будет сопоставлена с общей сетью, и в ходе сопоставления будут даны ответы.

Модель семантических сетей логически понятна для проектировщика ЭИС. Однако ее главный недостаток заключается в том, что при увеличении размеров сети увеличивается время вывода новых фактов с помощью механизма сопоставления.

Экспертные системы

Современные экспертные системы (ЭС) широко используются для тиражирования опыта и знаний ведущих специалистов практически во всех сферах экономики. Это связано с тем, что экономика представляет собой сферу человеческой деятельности, в которой большая часть знаний является личным опытом специалистов (экспертов). А именно для таких областей и разрабатываются ЭС.

Экспертные системы (ЭС) — это класс интеллектуальных программных си­стем, способных решать задачи, для которых отсутствуют алгоритмы или же недоступна вся информация, не­обходимая, чтобы применить извест­ные алгоритмы и методы решения.

Для работы экспертных систем необходим большой объем знаний. Совокупность знаний (надо чётко различать знаний и данные), обязательных и достаточных для работы ЭС при решении задач какого-либо класса, называется предметной областью. Знания одной предметной области связанные между собой; это могут быть описания различных объектов, процессов, явлений, а также отношений между ними.

Базы знаний отличаются от баз данных наличием встроенных механизмов логического вывода. Благодаря это­му знания во время работы ЭС ведут себя активно: изменение тех или иных знаний может вызвать обраще­ние к программам их обработки. Встроенные процедуры позволяют не только делать иными имеющиеся знания, но и получать из них новые. Таким образом, база знаний попол­няется как знаниями, полученными от экспертов, так и знаниями, выра­батываемыми самой экспертной си­стемой в процессе работы.

Очень важно, что в ЭС реализуют­ся не одни механизмы логического вывода, опирающиеся на классичес­кую логику (дедуктивные). В них ис­пользуются и так называемые прав­доподобные рассуждения(нечёткий вывод, основанный на нечёткой ло­гике), и элементы рассуждений по аналогии и по ассоциации, которые человек обычно применяет при ре­шении задач в условиях неопреде­лённости.

В состав любой экспертной системы входят:

1) Инженер по знаниям – специалист по искусственному интеллекту, выступающий промежуточным звеном между экспертом и базой знаний.

2) База знаний – ядро ЭС, представляет собой совокупность знаний предметной области, записанная на машинный носитель.

3) Интерфейс ЭС – комплекс программных средств, реализующих диалог пользователя с ЭС.

4) Решатель – программа, моделирующая ход рассуждений эксперта на основании имеющихся знаний в БЗ.

5) Подсистема объяснений – программа, поясняющая полученный результат. Данная подсистема позволяет получать ответы на такие вопросы как: «Почему система приняло данное решение?», «Как было получено данное решение?».

6) Интеллектуальный редактор – программа, позволяющая инженеру по знаниям создавать и редактировать БЗ.

7) Пользователь, использующий ЭС в своей профессиональной деятельности.

Экспертные системы разделяются на следующие виды:

1. ЭС интерпретации данных, которые позволяют вникнуть и понять смысл имеющихся данных.

2. ЭС диагностики, которые позволяют обнаружить неисправности в некоторой системе.

3. ЭС мониторинга, задачей которых является непрерывная интерпретация данных в реальном масштабе времени и сигнализация об отклонение параметров за допустимые значения.

4. ЭС проектирования – позволяют создавать проекты объектов и моделей с заранее определенными свойствами.

5. ЭС прогнозирования, – позволяют составить прогноз возможных ситуаций с вероятностными оценками.

6. ЭС планирования – позволяют разработать план достижения требуемой цели.

7. ЭС обучения – позволяют настраивать на уровень любового обучающегося.

Для разработки ЭС используются следующие инструментальные средства, рассмотренные ниже.

Языки программирования. В эту группу инструментальных средств входят традиционные языки программирования (С, C++, Basic, Fortran и т.д.), ориентированные в основном на численные алгоритмы и слабо подходящие для работы с символьными и логическими данными. Поэтому создание систем искусственного интеллекта на основе этих языков требует большой работы програм­мистов. Однако большим достоинством этих языков является высокая эффективность, свя­занная с их близостью к традиционной машинной архитектуре. Кроме того, использование традиционных языков программирования позволяет включать интеллектуальные подсисте­мы (например, интегрированные экспертные системы) в крупные программные комплексы общего назначения.

Языки искусственного интеллекта. Это прежде всего Лисп (LISP) и Пролог (Prolog) — наиболее распространенные языки, предназначенные для решения задач искусственного интеллекта. Универсальность этих языков меньшая, нежели традиционных языков, но ее потерю языки искусственного интеллекта компенсируют богатыми возможностями по работе с символь­ными и логическими данными.

Специальный программный инструментарий. В эту группу программных средств искусственного интеллекта входят специальные инстру­ментарии общего назначения. Как правило, это библиотеки и надстройки над языком искус­ственного интеллекта Лисп: КЕЕ (Knowledge Engineering Environment), FRL (Frame Representation Language), KRL (Knowledge Representation Language), ARTS и др., позволяющие пользователям работать с заготовками экспертных систем на более высоком уровне, нежели это возможно в обычных языках искусственного интеллекта.

Оболочки. Под оболочками (shells) понимают "пустые" версии существующих экспертных систем, т.е. готовые экспертные системы без базы знаний. Достоинство оболочек в том, что они вообще не требуют работы программистов для создания готовой экспертной системы. Требуется только специалисты в предметной области для заполнения базы знаний.