Учебная работа. Реферат: Интеллектуальные информационные системы 3

1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (5 оценок, среднее: 4,80 из 5)
Загрузка...
Контрольные рефераты

Учебная работа. Реферат: Интеллектуальные информационные системы 3

Глава 1. систематизация умственных информационных систем

1.1. Индивидуальности и признаки интеллектуальности информационных систем

Неважно какая информационная система (ИС) делает последующие функции: принимает вводимые юзером информационные запросы и нужные начальные данные, обрабатывает введенные и хранимые в системе данные в согласовании с известным методом и сформировывает требуемую выходную информацию. Исходя из убеждений реализации перечисленных функций ИС можно разглядывать как фабрику, производящую информацию, в какой заказом является информационный запрос, сырьем — начальные данные, продуктом — требуемая информация, а инвентарем (оборудованием) — познание, при помощи которого данные преобразуются в информацию.

Познание имеет двойственную природу: фактуальную и операционную.

· Фактуальное познание — это осмысленные и понятые данные. Данные сами по для себя — это специально организованные знаки на каком-либо носителе.

· Операционное познание — это те общие зависимости меж фактами, которые разрешают интерпретировать данные либо извлекать из их информацию. Информация на самом деле — это новое и полезное познание для решения каких-то задач.

Нередко фактуальное познание именуют экстенсиональным (детализированным), а операционное познание — интенсиональным (обобщенным).

процесс извлечения инфы из данных сводится к адекватному соединению операционного и фактуального познаний и в разных типах ИС производится по-разному. Самый обычной путь их соединения заключается в рамках одной прикладной программки:

Программка = Метод (Правила преобразования данных +

Управляющая структура) + Структура данных

Таковым образом, операционное познание (метод) и фактуальное познание (структура данных) неотделимы друг от друга. Но, если в процессе эксплуатации ИС выяснится Потребность в модификации 1-го из 2-ух компонент программки, то возникнет необходимость ее переписывания. Это разъясняется тем, что полным познанием проблемной области владеет лишь разраб ИС, а программка служит “недумающим исполнителем” познания разраба. Конечный же юзер вследствие процедурности и машинной ориентированности представления познаний осознает только внешнюю сторону процесса обработки данных и никак не может на него влиять.

Следствием перечисленных недочетов является нехорошая жизнеспособность ИС либо неадаптивность к изменениям информационных потребностей. Не считая того, в силу детерминированности алгоритмов решаемых задач ИС не способна к формированию у юзера познания о действиях в не на сто процентов определенных ситуациях.

В системах, основанных на обработке баз данных (СБД — Data Base Systems), происходит отделение фактуального и операционного познаний друг от друга. 1-ое организуется в виде базы данных, 2-ое — в виде программ. При этом программка может автоматом генерироваться по запросу юзера (к примеру, реализация SQL либо QBE запросов). В качестве посредника меж программкой и базой данных выступает программный инструмент доступа к данным — система управления базой данных (СУБД):

СБД = программка <=> СУБД <=> база данных

Теория независимости программ от данных дозволяет повысить упругость ИС по выполнению случайных информационных запросов. Но, эта упругость в силу процедурности представления операционного познания имеет верно определенные границы. Для формулирования информационного запроса юзер должен ясно представлять для себя структуру базы данных и до определенной степени метод решения задачки. Как следует, юзер должен довольно отлично разбираться в проблемной области, в логической структуре базы данных и методе программки. Мировозренческая схема базы данных выступает в главном лишь в роли промежного звена в процессе отображения логической структуры данных на структуру данных прикладной программки.

Общие недочеты обычных информационных систем, к которым относятся системы первых 2-ух типов, заключаются в слабенькой адаптивности к изменениям в предметной области и информационным потребностям юзеров, в невозможности решать плохо формализуемые задачки, с которыми управленческие работники повсевременно имеют дело. Перечисленные недочеты устраняются в умственных информационных системах (ИИС).

анализ структуры программки указывает возможность выделения из программки операционного познания (правил преобразования данных) в так именуемую базу познаний, которая в декларативной форме хранит общие для разных задач единицы познаний. При всем этом управляющая структура приобретает нрав всепригодного механизма решения задач (механизма вывода), который связывает единицы познаний в исполняемые цепочки (генерируемые методы) зависимо от определенной постановки задачки (сформулированной в запросе цели и начальных критерий). Такие ИС стают системами, основанными на обработке познаний (СБЗ — Knowledge Base (Based) Systems):

СБЗ = база познаний <=> Управляющая структура <=> База данных

(Механизм вывода)

Для умственных информационных систем, нацеленных на генерацию алгоритмов решения задач, свойственны последующие признаки:

· развитые коммуникативные возможности,

· умение решать сложные плохо формализуемые задачки,

· способность к самообучению,

Коммуникативные возможности ИИС
охарактеризовывают метод взаимодействия (интерфейса) конечного юзера с системой, а именно, возможность формулирования случайного запроса в диалоге с ИИС на языке, очень приближенном к естественному.

Сложные плохо формализуемые задачки
— это задачки, которые требуют построения необычного метода решения зависимо от определенной ситуации, для которой могут быть свойственны неопределенность и динамичность начальных данных и познаний.

Способность к самообучению
— это возможность автоматического извлечения познаний для решения задач из скопленного опыта определенных ситуаций.

В разных ИИС перечисленные признаки интеллектуальности развиты в неодинаковой степени и изредка, когда все четыре признака реализуются сразу. Условно любому из признаков интеллектуальности соответствует собственный класс ИИС (рис. 1.1):

· системы с умственным интерфейсом;

· Экспертные системы;

· Самообучающиеся системы;






Рис. 1.1. Систематизация ИИС

1.2. Системы с умственным интерфейсом

Умственные базы данных
различаются от обыденных баз данных возможностью подборки по запросу нужной инфы, которая может очевидно не храниться, а выводиться из имеющейся в базе данных. Примерами таковых запросов могут быть последующие:

— “Вывести перечень продуктов, стоимость которых выше среднеотраслевой”,

— “Вывести перечень товаров-заменителей некой продукции”,

— “Вывести перечень возможных покупателей некого продукта” и т.д.

Для выполнения первого типа запроса нужно поначалу проведение статистического расчета среднеотраслевой цены по всей базе данных, а уже опосля этого фактически отбор данных. Для выполнения второго типа запроса нужно вывести значения соответствующих признаков объекта, а потом поиск по ним подобных объектов. Для третьего типа запроса требуется поначалу найти перечень посредников-продавцов, выполняющих продажу данного продукта, а потом провести поиск связанных с ними покупателей.

Во всех перечисленных типах запросов требуется выполнить поиск по условию, которое обязано быть доопределено в процессе решения задачки. Умственная система без помощи юзера по структуре базы данных сама строит путь доступа к файлам данных. Формулирование запроса осуществляется в диалоге с юзером, последовательность шагов которого производится в очень комфортной для юзера форме. запрос к базе данных может формулироваться и при помощи естественно-языкового интерфейса.

Естественно-языковой интерфейс
подразумевает трансляцию естественно-языковых конструкций на внутримашинный уровень представления познаний. Для этого нужно решать задачки морфологического, синтаксического и семантического анализа и синтеза выражений на естественном языке. Так, морфологический анализ подразумевает определение и проверку корректности написания слов по словарям, синтаксический контроль — разложение входных сообщений на отдельные составляющие (определение структуры) с проверкой соответствия грамматическим правилам внутреннего представления познаний и выявления недостающих частей и, в конце концов, семантический анализ — установление смысловой корректности синтаксических конструкций. синтез выражений решает оборотную задачку преобразования внутреннего представления инфы в естественно-языковое.

Естественно-языковый интерфейс употребляется для:

· доступа к умственным базам данных;

· контекстного поиска документальной текстовой инфы;

· голосового ввода установок в системах управления;

· машинного перевода cиностранных языков.

Гипертекстовые системы
предусмотрены для реализации поиска по главным словам в базах текстовой инфы. Умственные гипертекстовые системы различаются возможностью наиболее сложной семантической организации главных слов, которая отражает разные смысловые дела определений. Таковым образом, механизм поиска работает до этого всего с базой познаний главных слов, а уже потом конкретно с текстом. В наиболее широком плане произнесенное распространяется и на поиск мультимедийной инфы, включающей кроме текстовой и цифровой инфы графические, аудио и видео— образы.

Системы контекстной помощи
можно разглядывать, как личный вариант умственных гипертекстовых и естественно-языковых систем. В отличие от обыденных систем помощи, навязывающих юзеру схему поиска требуемой инфы, в системах контекстной помощи юзер обрисовывает делему (ситуацию), а система при помощи доп диалога ее конкретизирует и сама делает поиск относящихся к ситуации советов. Такие системы относятся к классу систем распространения познаний (Knowledge Publishing) и создаются как приложение к системам документации (к примеру, технической документации по эксплуатации продуктов).

системы когнитивной графики
разрешают производить интерфейс юзера с ИИС при помощи графических образов, которые генерируются в согласовании с происходящими событиями. Такие системы употребляются в мониторинге и управлении оперативными действиями. Графические образы в приятном и встроенном виде обрисовывают огромное количество характеристик изучаемой ситуации. к примеру, состояние сложного управляемого объекта отображается в виде людского лица, на котором любая черта отвечает за какой-нибудь параметр, а общее выражение лица дает интегрированную характеристику ситуации.

Системы когнитивной графики обширно употребляются также в обучающих и тренажерных системах на базе использования принципов виртуальной действительности, когда графические образы моделируют ситуации, в каких обучаемому нужно принимать решения и делать определенные деяния.

1.3. Экспертные системы

Предназначение экспертных систем
заключается в решении довольно тяжелых для профессионалов задач на базе накапливаемой базы познаний, отражающей опыт работы профессионалов в рассматриваемой проблемной области. Достоинство внедрения экспертных систем заключается в способности принятия решений в неповторимых ситуациях, для которых метод заблаговременно не известен и формируется по начальным данным в виде цепочки рассуждений (правил принятия решений) из базы познаний. При этом решение задач предполагается производить в критериях неполноты, недостоверности, многозначности начальной инфы и высококачественных оценок действий.

Экспертная система является инвентарем, усиливающим умственные возможности профессионала, и может делать последующие роли:

· консультанта для неопытных либо непрофессиональных юзеров;

· помощника в связи с необходимостью анализа профессионалом разных вариантов принятия решений;

· напарника профессионала по вопросцам, относящимся к источникам познаний из смежных областей деятель.

Экспертные системы употребляются в почти всех областях, посреди которых лидирует сектор приложений в бизнесе (рис. 1.2) [ 21 ].

Рис. 1.2. Области внедрения экспертных систем

Архитектура экспертной системы
(рис.1.3) содержит в себе два главных компонента: базу познаний (хранилище единиц познаний) и программный инструмент доступа и обработки познаний, состоящий из устройств вывода заключений (решения), приобретения познаний, разъяснения получаемых результатов и умственного интерфейса. При этом центральным компонентом экспертной системы является база познаний, которая выступает по отношению к остальным компонентам как содержательная подсистема, составляющая основную Ценность. “Know-how” базы познаний неплохой экспертной системы оценивается в сотки тыщ баксов,
в то время как программный инструментарий — в
тыщи либо 10-ки тыщ баксов.

база познаний
— это совокупа единиц познаний, которые представляют собой формализованное при помощи некого способа представления познаний отражение объектов проблемной области и их взаимосвязей, действий над объектами и, может быть, неопределенностей, с которыми эти деяния осуществляются.

Рис.1.3 Архитектура экспертной системы

В качестве способов представления познаний почаще всего употребляются или правила, или объекты (фреймы), или их композиция. Так, правила представляют собой конструкции:

Если < условие >

То <заключение> CF (Фактор определенности) <

В качестве причин определенности (CF), обычно, выступают или условные вероятности байесовского подхода (от 0 до 1), или коэффициенты убежденности нечеткой логики (от 0 до 100). Примеры правил имеют последующий вид:

правило 1: Если Коэффициент рентабельности > 0.2

То Рентабельность = «удовл.» CF 100

правило 2: Если Задолженность = «нет» и Рентабельность = «удовл.»

То Финансовое_сост. = «удовл.» CF 80

правило 3: Если Финансовое_сост. = «удовл.» и Репутация=»удовл.»

То Надежность компании = «удовл.» CF 90

Объекты представляют собой совокупа атрибутов, описывающих характеристики и дела с иными объектами. В отличие от записей баз данных любой объект имеет неповторимое имя. Часть атрибутов отражают типизированные дела, такие как “род — вид” (super-class — sub-class), “целое — часть” и др. Заместо определенных значений атрибутов объектов могут задаваться значения по дефлоту (указатель наследования атрибутов устанавливается в S), присущие целым классам объектов, либо присоединенные процедуры (process). Пример описания объектов представлен на рис. 1.4.

Умственный интерфейс.
Обмен данными меж конечным юзером и ЭС делает программка умственного интерфейса, которая принимает сообщения юзера и конвертирует их в форму представления базы познаний и, напротив, переводит внутреннее носитель. Важным требованием к организации диалога юзера с ЭС является естественность, которая не значит практически формулирование потребностей юзера предложениями естественного языка, хотя это и не исключается в ряде всевозможных случаев. Принципиально, чтоб последовательность решения задачки была гибкой, соответствовала представлениям юзера и велась в проф определениях.

Механизм вывода.
Этот программный инструмент получает от умственного интерфейса перевоплощенный во внутреннее задачки, делает метод, а приобретенный итог предоставляется умственному интерфейсу для выдачи ответа на запрос юзера.

ПРЕДПРИЯТИЕ_ОТРАСЛИ#1


Имя слота
Указатель наследования
Тип
Отраслевой

коэфф. рент.



U
Real
20

ПРЕПРИЯТИЕ#1


имя слота
Указатель наследования
Тип
Значение

Super-сlass
S
FRAME

Предприятие

отрасли




Sub-сlass
-
-
-

Код компании
S
String
101

Код

отрасли



S
String
123

Отраслевой

коэфф. рент.



S
Real
20

Коэфф. рент.
Real
25

Задолженность
String
Нет

Репутация
String
Удовл

Фин.состояние
Process
Fin_sost

Надежность
Process
Nad

Рис. 1.4. Описание объектов

В базе использования хоть какого механизма вывода лежит процесс нахождения в согласовании с поставленной целью и описанием определенной ситуации (начальных данных) относящихся к решению единиц познаний (правил, объектов, прецедентов и т.д.) и связыванию их по мере необходимости в цепочку рассуждений, приводящую к определенному результату. Для представления познаний в форме правил это быть может ровная (рис. 1.5) либо оборотная (рис. 1.6) цепочка рассуждений.

Для объектно-ориентированного представления познаний типично применение механизма наследования атрибутов, когда значения атрибутов передаются по иерархии от вышестоящих классов к нижестоящим (к примеру, на рис.1.4. код отрасли, отраслевой коэффициент рентабельности). Также при заполнении атрибутов фрейма необходимыми данными запускаются на выполнение присоединенные процедуры.

Рис. 1.5. Ровная цепочка рассуждений

Рис. 1.6. Оборотная цепочка рассуждений

Механизм разъяснения.
В процессе либо по результатам решения задачки юзер может запросить разъяснение либо обоснование хода решения. С данной нам целью ЭС обязана предоставить соответственный механизм разъяснения. Пояснительные возможности ЭС определяются возможностью механизма вывода запоминать путь решения задачки. Тогда на вопросцы юзера «Как?» и «Почему?» получено решение либо запрошены те либо другие данные система постоянно может выдать цепочку рассуждений до требуемой контрольной точки, сопровождая выдачу разъяснения заблаговременно приготовленными комментами. В случае отсутствия решения задач разъяснение обязано выдаваться юзеру автоматом. Полезно иметь возможность и гипотетичного разъяснения решения задачки, когда система отвечает на вопросцы, что будет в том либо ином случае.

Но, не постоянно юзера может заинтересовывать полный вывод решения, содержащий огромное количество ненадобных деталей. В этом случае система обязана уметь выбирать из цепочки лишь главные моменты с учетом их значимости и уровня познаний юзера. Для этого в базе познаний нужно поддерживать модель познаний и целей юзера. Если же юзер продолжает не осознавать приобретенный ответ, то система обязана быть способна в диалоге на базе поддерживаемой модели проблемных познаний учить юзера тем либо другим фрагментам познаний, т.е. открывать наиболее тщательно отдельные понятия и зависимости, если даже эти детали конкретно в выводе не использовались.

Механизм приобретения познаний.
база познаний отражает познания профессионалов
(профессионалов) в данной проблемной области о действиях в разных ситуациях либо действиях решения соответствующих задач. Выявлением схожих познаний и следующим их представлением в базе познаний занимаются спецы, именуемые инженерами познаний
. Для ввода познаний в базу и их следующего обновления ЭС обязана владеть механизмом приобретения познаний. В простом случае это умственный редактор, который дозволяет вводить единицы познаний в базу и проводить их синтаксический и семантический контроль, к примеру, на непротиворечивость, в наиболее сложных вариантах извлекать познания методом особых сценариев интервьюирования профессионалов, либо из вводимых примеров настоящих ситуаций, как в случае индуктивного вывода, либо из текстов, либо из опыта работы самой умственной системы.

Классы экспертных систем.
По степени трудности решаемых задач экспертные системы можно систематизировать последующим образом:

· По способу формирования
решения
экспертные системыразделяются на два класса: аналитические
и синтетические
. Аналитические системы подразумевают выбор решений из огромного количества узнаваемых альтернатив (определение черт объектов), а синтетические системы — генерацию неведомых решений (формирование объектов).

· По способу учета временного признака
экспертные системы могут быть статическими
либо динамическими
. Статические системы решают задачки при неизменяемых в процессе решения данных и познаниях, динамические системы допускают такие конфигурации. Статические системы производят однообразное непрерываемое решение задачки от ввода начальных данных до конечного результата, динамические системы предугадывают возможность пересмотра в процессе решения приобретенных ранее результатов и данных.

· По видам применяемых данных и познаний
экспертные системы классифицируются на системы с детерминированными
(верно определенными) познаниями и неопределенными
познаниями. Под неопределенностью познаний (данных) понимается их неполнота (отсутствие), недостоверность (некорректность измерения), двусмысленность (многозначность понятий), нечеткость (высококачественная оценка заместо количественной).

· По числу применяемых источников познаний
экспертные системы могут быть построены с внедрением 1-го
либо огромного количества
источников познаний. Источники познаний могут быть другими (огромное количество миров) либо дополняющими друг друга (кооперирующими).

В согласовании с перечисленными признаками систематизации, как правило, выделяются последующие четыре главные класса экспертных систем (рис. 1.7)


анализ

Синтез


Детерминирован-ность познаний

Классифици-рующие
Трансформи-рующие

один источник

познаний




Неопределенность познаний

Доопределя-ющие
Многоагент-ные
Огромное количество источн. познаний


Статика

Динамика


Рис. 1.7. Классы экспертных систем

Классифицирующие экспертные системы.
К аналитическим задачкам до этого всего относятся задачки определения разных ситуаций, когда по набору данных признаков (причин) выявляется суть некой ситуации, зависимо от которой выбирается определенная последовательность действий. Таковым образом, в согласовании с начальными критериями посреди других решений находится одно, лучшим образом удовлетворяющее поставленной цели и ограничениям.

Экспертные системы, решающие задачки определения ситуаций, именуются классифицирующими, так как определяют принадлежность анализируемой ситуации к некому классу. В качестве основного способа формирования решений употребляется способ логического дедуктивного вывода от общего к личному, когда методом подстановки начальных данных в некую совокупа взаимосвязанных общих утверждений выходит личное заключение.

Доопределяющие экспертные системы.
Наиболее непростой тип аналитических задач представляют задачки, которые решаются на базе неопределенных начальных данных и используемых познаний. В этом случае экспертная система обязана вроде бы доопределять недостающие познания, а в пространстве решений может получаться несколько вероятных решений с различной вероятностью либо уверенностью в необходимости их выполнения. В качестве способов работы с неопределенностями могут употребляться байесовский вероятностный подход, коэффициенты убежденности, нечеткая несколько источников познаний. В этом случае могут употребляться эвристические приемы выбора единиц познаний из их конфликтного набора, к примеру, на базе использования ценностей значимости, либо получаемой степени определенности результата, либо значений функций предпочтений и т.д.

Для аналитических задач классифицирующего и доопределяющего типов свойственны последующие проблемные области:

· Интерпретация данных
— выбор решения из фиксированного огромного количества альтернатив на базе введенной инфы о текущей ситуации. Основное предназначение — определение сути рассматриваемой ситуации, выбор гипотез, исходя их фактов. Обычным примером является экспертная система анализа денежного состояния компании.

· смерти)
— выявление обстоятельств, приведших к появлению ситуации. Требуется подготовительная интерпретация ситуации с следующей проверкой доп фактов, к примеру, выявление причин понижения эффективности производства.

· Корректировка
— другими словами заключения о сути заболевания и состоянии пациента»>диагностика (процесс установления диагноза, то есть заключения о сущности болезни и состоянии пациента), дополненная возможностью оценки и советы действий по исправлению отклонений от обычного состояния рассматриваемых ситуаций.

Трансформирующие экспертные системы
. В отличие от аналитических статических экспертных систем синтезирующие динамические экспертные системы подразумевают циклическое преобразование познаний в процессе решения задач, что соединено с нравом результата, который недозволено заблаговременно предназначить, также с динамичностью самой проблемной области.

В качестве способов решения задач в трансформирующих экспертных системах употребляются разновидности гипотетичного вывода:

· генерации и тестирования, когда по начальным данным осуществляется генерация гипотез, а потом проверка сформулированных гипотез на доказательство поступающими фактами;

· догадок и умолчаний, когда по неполным данным подбираются познания о подобных классах объектов, которые в предстоящем динамически приспосабливаются к определенной ситуации зависимо от ее развития;

· внедрение общих закономерностей (метауправления) в случае неведомых ситуаций, позволяющих генерировать недостающее познание.

Многоагентные системы
. Для таковых динамических систем свойственна Интеграция в базе познаний нескольких разнородных источников познаний, обменивающихся меж собой получаемыми плодами на динамической базе, к примеру, через «доску объявлений» (рис. 1.8).

Рис. 1.8. “Доска объявлений”

Для многоагентных систем свойственны последующие индивидуальности:

· Проведение других рассуждений на базе использования разных источников познаний с механизмом устранения противоречий;

· Распределенное решение заморочек, которые разбиваются на параллельно решаемые подпроблемы, надлежащие самостоятельным источникам познаний;

· Применение огромного количества стратегий работы механизма вывода заключений зависимо от типа решаемой препядствия;

· Обработка огромных массивов данных, содержащихся в базе данных;

· Внедрение разных математических моделей и наружных процедур, хранимых в базе моделей;

· Способность прерывания решения задач в связи с необходимостью получения доп данных и познаний от юзеров, моделей, параллельно решаемых подпроблем.

Для синтезирующих динамических экспертных систем более применимы последующие проблемные области:

· Проектирование
— определение конфигурации объектов исходя из убеждений заслуги данных критериев эффективности и ограничений, к примеру, проектирование бюджета компании либо ранца инвестиций.

· Прогнозирование
— пророчество последствий развития текущих ситуаций на базе математического и эвристического моделирования, к примеру, прогнозирование трендов на биржевых торгах.

· Диспетчирование
— распределение работ во времени, составление расписаний, к примеру, планирование графика освоения финансовложений.

· Планирование
— выбор последовательности действий юзеров по достижению поставленной цели, к примеру, планирование действий поставки продукции.

· мониторинг
— слежение за текущей ситуацией с вероятной следующей корректировкой. Для этого производится смерти), прогнозирование, а в случае необходимости планирование и корректировка действий юзеров, к примеру, мониторинг сбыта готовой продукции.

· Управление
мониторинг, дополненный реализацией действий в автоматических системах, к примеру, принятие решений на биржевых торгах.

По данным публикации [ 21 ], в какой проводится анализ 12500 работающих экспертных систем, распределение экспертных систем по проблемным областям имеет последующий вид (рис. 1.9):

Рис. 1.9. Проблемные области экспертных систем

1.4. Самообучающиеся системы

В базе самообучающихся систем лежат способы автоматической систематизации примеров ситуаций настоящей практики (обучения на примерах). Примеры настоящих ситуаций скапливаются за некий исторический период и составляют обучающую подборку
. Эти примеры описываются обилием признаков систематизации. При этом обучающая подборка быть может:

· “с учителем”,
когда для всякого примера задается в очевидном виде

· “без учителя”,
когда по степени близости значений признаков систематизации система сама выделяет классы ситуаций.

В итоге обучения системы автоматом строятся обобщенные правила либо функции, определяющие принадлежность ситуаций классам, которыми обученная система пользуется при интерпретации новейших возникающих ситуаций. Таковым образом, автоматом формируется база познаний, применяемая при решении задач систематизации и прогнозирования. Эта база познаний временами автоматом корректируется по мере скопления опыта настоящих ситуаций, что дозволяет уменьшить Издержки на ее создание и обновление.

Общие недочеты, характерные всем самообучающимся системам, заключаются в последующем:

· вероятна неполнота и/либо зашумленность (избыточность) обучающей подборки и, как следствие, относительная адекватность базы познаний возникающим дилеммам;

· появляются препядствия, связанные с нехороший смысловой ясностью зависимостей признаков и, как следствие, неспособность разъяснения юзерам получаемых результатов;

· ограничения в размерности признакового места вызывают неглубокое описание проблемной области и неширокую направленность внедрения.

Индуктивные системы.
Обобщение примеров по принципу от личного к общему сводится к выявлению подмножеств примеров, относящихся к одним и этим же подклассам, и определению для их важных признаков.

Процесс систематизации примеров осуществляется последующим образом:

1. Выбирается признак систематизации из огромного количества данных (или поочередно, или по какому-либо правилу, к примеру, в согласовании с наибольшим числом получаемых подмножеств примеров);

2. По значению избранного признака огромное количество примеров разбивается на подмножества;

3. Производится проверка, принадлежит ли каждое образовавшееся подмножество примеров одному подклассу;

4. Если некое подмножество примеров принадлежит одному подклассу, т.е. у всех примеров подмножества совпадает признаки систематизации не рассматриваются);

5. Для подмножеств примеров с несовпадающим значением классообразующего признака процесс систематизации длится, начиная с пт 1. (Каждое подмножество примеров становится классифицируемым обилием).

процесс систематизации быть может представлен в виде дерева решений, в каком в промежных узлах находятся значения признаков поочередной систематизации, а в конечных узлах — значения признака принадлежности определенному классу. Пример построения дерева решений на базе фрагмента таблицы примеров (таблица 1.1) показан на рис. 1.10.

Таблица 1.1

Классообр.

признак



Признаки
систематизации

Стоимость
Спрос

Рис. 1.10. Фрагмент дерева решений

анализ новейшей ситуации сводится к выбору ветки дерева, которая на сто процентов описывает эту ситуацию. Поиск решения осуществляется в итоге поочередной проверки признаков систематизации. Любая ветвь дерева соответствует одному правилу решения:

Если Спрос=“маленький” и Издержки=“мелкие”

То Стоимость=“низкая”

Примерами инструментальных средств, поддерживающих индуктивный вывод познаний, являются 1st Class (Programs in Motion), Rulemaster (Radian Corp.), ИЛИС (ArgusSoft), KAD (ИПС Переяславль-Залесский).

Нейронные сети.
В итоге обучения на примерах строятся математические решающие функции (передаточные функции либо функции активации), которые определяют зависимости меж входными (Xi) и выходными (Yj) признаками (сигналами) (рис. 1.11).

Рис.1.11. Решающая функция — “нейрон”

Любая таковая функция, именуемая по аналогии с простой единицей людского мозга (центральный отдел нервной системы животных и человека) — нейроном, показывает зависимость значения выходного признака (Y) от взвешенной суммы (U) значений входных признаков (Xi), в какой вес входного признака (Wi) указывает степень воздействия входного признака на выходной:

Решающие функции употребляются в задачках систематизации на базе сравнения их значений при разных композициях значений входных признаков с неким пороговым значением. В случае превышения данного порога считается, что нейрон сработал и таковым образом распознал некий класс ситуаций. Нейроны употребляются и в задачках прогнозирования, когда по значениям входных признаков опосля их подстановки в выражение решающей функции выходит прогнозное

Многофункциональная зависимость быть может линейной, но, как правило, употребляется сигмоидальная форма, которая дозволяет вычленять наиболее сложные места значений выходных признаков. Таковая функция именуется логистической (рис.1.12).

Рис.1.12. Логистическая (сигмоидальная) функция

Нейроны могут быть соединены меж собой, когда выход 1-го нейрона является входом другого. Таковым образом, строится нейронная сеть (рис. 1.13), в какой нейроны, находящиеся на этом же уровне, образуют слои.

Рис.1.13. Нейронная сеть

Обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) нейронной сети сводится к определению связей (синапсов) меж нейронами и установлению силы этих связей (весовых коэффициентов). методы обучения нейронной сети упрощенно сводятся к определению зависимости весового коэффициента связи 2-ух нейронов от числа примеров, подтверждающих эту зависимость.

Более всераспространенным методом обучения нейронной сети является метод оборотного распространения ошибки. Мотивированная функция по этому методу обязана обеспечить минимизацию квадрата ошибки в обучении по всем примерам:

, где

Ti — данное

Yi — вычисленное

Суть метода оборотного распространения ошибки сводится к последующему:

1. Задать произвольно маленькие исходные значения весов связей нейронов.

2. Для всех обучающих пар “значения входных признаков — значение выходного признака” (примеров из обучающей подборки) вычислить выход сети (Y).

3. Выполнить рекурсивный метод, начиная с выходных узлов по направлению к первому сокрытому слою, пока не будет достигнут малый уровень ошибки.

Вычислить веса на (t+1) шаге по формуле:

, где

— вес связи от укрытого i -го нейрона либо от входа к j-му нейрону на шаге t;

— выходное

— коэффициент скорости обучения;

— ошибка для j-го нейрона.

Если j-й нейрон — выходной, то

Если j-й нейрон находится в сокрытом внутреннем слое, то

, где

к — индекс всех нейронов в слое, расположенном вослед за слоем с j-м нейроном.

Выполнить шаг 2.

Достоинство нейронных сетей перед индуктивным выводом заключается в решении не только лишь классифицирующих, да и прогнозных задач. Возможность нелинейного нрава многофункциональной зависимости выходных и входных признаков дозволяет строить наиболее четкие систематизации.

Сам процесс решения задач в силу проведения матричных преобразований проводится весьма стремительно. Практически имитируется параллельный процесс прохода по нейронной сети в отличие от поочередного в индуктивных системах. Нейронные сети могут быть реализованы и аппаратно в виде нейрокомпьютеров с ассоциативной памятью.

Крайнее время нейронные сети получили быстрое развитие и весьма интенсивно употребляются в денежной области. В качестве примеров внедрения нейронных сетей можно именовать:

· «Система прогнозирования динамики биржевых курсов для Chemical Bank» (КомпанияLogica);

· «Система прогнозирования для Английской фондовой биржи» (КомпанияSearchSpace);

· «Управление инвестициями для Mellon Bank» (КомпанияNeuralWare) и др.

В качестве инструментальных средств разработки нейронных сетей следует выделить инструментальные средства NeurOn-line (компания GENSYM), NeuralWorks Professional II/Plus (КомпанияNeuralWare), русскую разработку FOREX-94 (Уралвнешторгбанк) и др.

системы, основанные на прецедентах
(Case-based reasoning). В этих системах база познаний содержит описания не обобщенных ситуаций, а фактически сами ситуации либо прецеденты. Тогда поиск решения препядствия сводится к поиску по аналогии (абдуктивному выводу от личного к личному):

1. Получение подробной инфы о текущей дилемме;

2. Сравнение приобретенной инфы со значениями признаков прецедентов из базы познаний;

3. Выбор прецедента из базы познаний, более близкого к рассматриваемой дилемме;

4. В случае необходимости производится адаптация избранного прецедента к текущей дилемме;

5. Проверка правильности всякого приобретенного решения;

6. Занесение детализированной инфы о приобретенном решении в базу познаний.

Так же как и для индуктивных систем прецеденты описываются обилием признаков, по которым строятся индексы резвого поиска. Но в отличие от индуктивных систем допускается нечеткий поиск с получением огромного количества допустимых альтернатив, любая из которых оценивается неким коэффициентом убежденности. Дальше более пригодные решения приспосабливаются по особым методам к настоящим ситуациям. Обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) системы сводится к запоминанию каждой новейшей обработанной ситуации с принятыми решениями в базе прецедентов.

системы, основанные на прецедентах, используются как системы распространения познаний с расширенными способностями либо как в системах контекстной помощи (рис. 1.14.).

Описание ситуации (препядствия)

Не печатает принтер

Вопросцы

Включено ли питание? да

Прошло ли тестирование? да

Замята ли бумага? да

Подключен ли драйвер? не понимаю

Деяния

Высвободите бумагу уверенность 80

Загрузите драйвер уверенность 50

Вызовите тех. персонал уверенность 10

Рис. 1.14. Пример диалога с CBR-системой

В качестве примера инструментального средства поддержки баз познаний прецедентов, распространяемого в Рф, можно именовать систему CBR-Express (Inference, дистрибьютор КомпанияМетатехнология).

Информационные хранилища
(Data Warehouse). В отличие от умственной базы данных информационное хранилище представляет собой хранилище извлеченной важной инфы из оперативной базы данных, которое создано для оперативного анализа данных (реализации OLAP — технологии). Извлечение познаний из баз данных осуществляется часто, к примеру, раз в день.

Обычными задачками оперативного ситуационного анализа являются:

· Определение профиля потребителей определенного продукта;

· Пророчество конфигураций ситуации на рынке;

· анализ зависимостей признаков ситуаций (корреляционный анализ) и др.

Для извлечения важной инфы из баз данных употребляются особые

способы (Data Mining либо Knowledge Discovery), основанные либо на применении многомерных статистических таблиц, либо индуктивных способов построения деревьев решений, либо нейронных сетей. Формулирование запроса осуществляется в итоге внедрения умственного интерфейса, позволяющего в диалоге гибко определять важные признаки анализа.

Применение информационных хранилищ на практике все в основном показывает необходимость интеграции умственных и обычных информационных технологий, комбинированное внедрение разных способов представления и вывода познаний, усложнение архитектуры информационных систем.

Разработкой и распространением информационных хранилищ в истинное время занимаются такие компьютерные конторы, как IBM (Intelligent Miner), Silicon Graphics (MineSet), Intersolv (DataDirect, SmartData), Oracle (Express), SAS Institute (SAS/Assist) и др.


Глава 2. разработка сотворения экспертных систем

2.1. Этапы сотворения экспертной системы

Слабенькая формализуемость процесса принятия решений, его альтернативность и нечеткость, высококачественная и символьная природа применяемых познаний, динамичность конфигурации проблемной области — все эти соответствующие индивидуальности внедрения экспертных систем обусловливают сложность и огромную трудозатратность их разработки по сопоставлению с иными подклассами ИИС. Потому в предстоящем вопросцы проектирования и реализации умственных информационных систем будут рассматриваться для класса экспертных систем.

Извлечение познаний при разработке экспертной системы подразумевает исследование огромного количества источников познаний, к которым относятся особая литература, базы фактуальных познаний, отчеты о решении подобных заморочек, а самое основное, опыт работы профессионалов в исследуемой проблемной области — профессионалов. Фуррор проектирования экспертной системы почти во всем определяется тем, как компетентны привлекаемые к разработке специалисты и как они способны передать собственный опыт инженерам по познаниям. совместно с тем, специалисты не имеют представления о способностях и ограничениях ЭС. Как следует процесс разработки ЭС должен быть организован инженерами по познаниям таковым образом, чтоб в процессе их итеративного взаимодействия с профессионалами они получили весь нужный размер познаний для решения верно очерченных заморочек. Этапы проектирования экспертной системы представлены на рис. 2.1.

На исходных шагах идентификации и концептуализации, связанных с определением контуров будущей системы, инженер по познаниям выступает в роли ученика, а эксперт — в роли учителя, мастера. На заключительных шагах реализации и тестирования инженер по познаниям показывает результаты разработки, адекватность которых проблемной области оценивает эксперт. На шаге тестирования это могут быть совсем остальные специалисты.

На шаге тестирования сделанные экспертные системы оцениваются с позиции 2-ух главных групп критериев: точности и полезности.

С точностью работы соединены такие свойства, как корректность делаемых заключений, адекватность базы познаний проблемной области, соответствие используемых способов решения препядствия экспертным. Потому конечные оценки системе ставят спецы в проблемной области — специалисты. Полезность же экспертной системы характеризуется степенью ублажения требований юзера в части получения нужных советов, легкости и естественности взаимодействия с системой, надежности, производительности и цены эксплуатации, возможности обоснования решений и обучения, опции на изменение потребностей. Оценивание экспертной системы осуществляется по набору тестовых примеров как из предыдущей практики профессионалов, так и специально подобранных ситуаций. Результаты тестирования подлежат статистической обработке, опосля что делаются выводы о степени точности работы экспертной системы.

Рис.2.1. Этапы сотворения экспертной системы

Последующий шаг актуального цикла экспертной системы — внедрение и опытнейшая эксплуатация в массовом порядке без конкретного контроля со стороны разрабов и переход от тестовых примеров к решению настоящих задач. Важным аспектом оценки стают соотношение цены системы и ее эффективности. На этом шаге осуществляется сбор критичных замечаний и внесение нужных конфигураций. В итоге опытнейшей эксплуатации может потребоваться разработка новейших специализированных версий, учитывающих индивидуальности проблемных областей.

На всех шагах разработки инженер по познаниям играет активную роль, а эксперт — пассивную. По мере развития самообучающихся параметров экспертных систем роль инженера по познаниям миниатюризируется, а активное Таблица 2.1


Приемы
Описание

1. наблюдение
Инженер следит, не вмешиваясь, за тем, как эксперт решает настоящую задачку

2. Обсуждение задачки
Инженер на презентабельном огромном количестве задач неформально дискуссирует с профессионалом данные, познания и процедуры решения

3. Описание задачки
эксперт обрисовывает решение задач для обычных запросов

4. анализ решения
Эксперт объясняет получаемые результаты решения задачки, детализируя ход рассуждений

5. Проверка системы
Эксперт дает инженеру список задач для решения (от обычных до сложных),которые решаются разработанной системой

6. исследование системы
Эксперт изучит и критикует структуру базы познаний и работу механизма вывода

7. Оценка системы
Инженер дает новеньким профессионалам оценить решения разработанной системы

1-ые два шага разработки экспертной системы составляют логическую стадию, не связанную с применением верно определенного инструментального средства. Следующие этапы реализуются в рамках физического сотворения проекта на базе избранного инструментального средства. Совместно с тем, процесс сотворения экспертной системы, как сложного программного продукта, имеет смысл делать способом прототипного проектирования, суть которого сводится к неизменному наращиванию базы познаний, начиная с логической стадии. разработка разработки прототипов представлена в таблице 2.2.

Таблица 2.2.


Шаг разработки
нрав макета
количество правил
Срок разработки
Стоимость

идентификация
Демонстрацион-ный
50 — 100
1 — 2 мес.

Концептуализация
Исследователь-

Формализация
ский
200 — 500
3 — 6 мес.
25 — 50т.$

Реализация
Работающий
500 — 1000
6 — 12 мес.

Тестирование
Промышленный
1000 — 1500
1 — 1,5 года
300т.$

Опытнейшая эксплуатация
Коммерческий
1500 — 3000
1,5 — 3 года
2 — 5 млн.$

Прототипная разработка сотворения экспертной системы значит, что простой макет будущей системы реализуется при помощи хоть какого подручного инструментального средства еще на шагах идентификации и концептуализации, в предстоящем этот макет детализируется, мировозренческая модель уточняется, реализация производится в среде совсем избранного инструментального средства. Опосля всякого шага вероятны итеративные возвраты на уже выполненные этапы проектирования, что содействует постепенному проникновению инженера по познаниям в глубину решаемых заморочек, эффективности использования выделенных ресурсов, сокращению времени разработки, неизменному улучшению компетентности и производительности системы.

Пример разработки экспертной системы гарантирования (страхования) коммерческих займов CLUES (loan-uderwriting expert systems) [ 21 ] представлен в таблице 2.3. Эта система создавалась в встроенной среде ART группой разрабов в составе 1-го менеджера проекта, 2-ух инженеров по познаниям, 2-ух программистов, ответственных за сопряжение ЭС с имеющейся информационной системой и аналитическим инвентарем, 1-го контролера свойства. Сложность сделанной системы: 1000 правил, 180 функций, 120 объектов. Эффективность: при оценке 8500 кредитов за месяц годичная экономия на обработке инфы составляет 0,91 млн. долл., при 30000 кредитов — 2,7 млн. долл. При всем этом в 50% случаев система воспринимает самостоятельные решения, в других вариантах дает профессионалам диагностику возникающих заморочек. время оценки кредита сократилось с 50 минут до 10-15 минут. Перечисленные характеристики эффективности дозволили компании Contrywide расширить сферу собственной деятель во всех штатах США (Соединённые Штаты Америки — 2.2. идентификация проблемной области

Шаг идентификации проблемной области включает определение предназначения и сферы внедрения экспертной системы, подбор профессионалов и группы инженеров по познаниям, выделение ресурсов, постановку и параметризацию решаемых задач.

Начало работ по созданию экспертной системы инициируют руководители компаний (компаний, учреждений). Обычно необходимость разработки экспертной системы в той либо другой сфере деятельности связана с затруднениями лиц, принимающих решение, что сказывается на эффективности функционирования проблемной области. Эти затруднения могут быть обоснованы недостающим опытом работы в данной области, сложностью неизменного вербования профессионалов, нехваткой трудовых ресурсов для решения обычных умственных задач, необходимостью интеграции различных источников познаний. Как правило, предназначение экспертной системы соединено с одной из последующих областей:

· обучение (педагогический процесс, в результате которого учащиеся под руководством учителя овладевают знаниями, умениями и навыками) и консультация неопытных юзеров;

· распространение и внедрение неповторимого опыта профессионалов;

· автоматизация работы профессионалов по принятию решений ;

· оптимизация решения заморочек, выдвижение и проверка гипотез.

Таблица 2.3.


Период времени
Шаг

Ноябрь 1991г.
Постановка препядствия

Январь 1992г.
Создание отдела ЭС

Февраль — апрель 1992г.
Интервьюирование профессионалов

Апрель — май 1992г.
Моделирование и создание первого макета

Май — июнь 1992г.
Кодирование (реализация)

Июнь — сентябрь 1992г.
Внутреннее тестирование. Системная Интеграция

Сентябрь — декабрь 1992г.
Альфа-тестирование на узнаваемых примерах

Декабрь — январь 1993г.
Бета-тестирование на настоящих примерах

Февраль 1993г.
Внедрение в отрасли розничной торговли (20% кредитов)

Май 1993г.
Внедрение в потребительский сектор (10% кредитов)

Август 1993г.
Внедрение в отрасли оптовой торговли (35% кредитов)

Февраль 1994г.
Внедрение в корреспондентскую сеть (35% кредитов)

Сфера внедрения экспертной системы охарактеризовывает тот круг задач, который подлежит формализации, к примеру, «оценка денежного состояния компании«, «выбор поставщика продукции», «формирование рекламной стратегии» и т.д. Обычно сложность решаемых в экспертной системе заморочек обязана соответствовать трудозатратности работы профессионала в течение нескольких часов. Наиболее сложные задачки имеет смысл разбивать на совокупы взаимосвязанных задач, которые подлежат разработке в рамках нескольких экспертных систем.

Ограничивающими факторами на разработку экспертной системы выступают отводимые сроки, денежные ресурсы и программно-техническая среда. От этих ограничений зависит количественный и высококачественный состав групп инженеров по познаниям и профессионалов, глубина прорабатываемых вопросцев, адекватность и эффективность решения заморочек. Обычно различают три стратегии разработки экспертных систем (таблица 2.4) [18, 20]:

· широкий набор задач, любая из которых нацелена на неширокую проблемную область;

· насыщенный набор задач, определяющий главные направления увеличения эффективности функционирования экономического объекта;

· полный набор задач, определяющий компанию всей деятель экономического объекта.

Опосля подготовительного определения контуров разрабатываемой экспертной системы инженеры по познаниям вместе с профессионалами производят наиболее детализированную постановку заморочек и параметризацию системы. К главным характеристикам проблемной области относятся последующие:

· класс решаемых задач (интерпретация, смерти), корректировка, прогнозирование, планирование, проектирование, мониторинг, управление);

· аспекты эффективности результатов решения задач (минимизация использования ресурсов, увеличение свойства продукции и обслуживания, убыстрение оборачиваемости капитала и т.д.);

· аспекты эффективности процесса решения задач (увеличение точности принимаемых решений, учет большего числа причин, просчет большего числа других вариантов, адаптивность к изменениям проблемной области и информационных потребностей юзеров, сокращение сроков принятия решений);

· цели решаемых задач (выбор из альтернатив, к примеру, выбор поставщика либо синтез значения, к примеру, распределение бюджета по статьям);

· подцели (разбиение задачки на подзадачи, для каждой из которых определяется своя цель);

· начальные данные (совокупа применяемых причин);

· индивидуальности применяемых познаний (детерминированность/ неопределенность, статичность/динамичность, одноцелевая/ многоцелевая направленность, единственность/множественность источников познаний).

Стратегии разработки экспертных систем

Таблица 2.4.

Широкий

набор задач



Насыщенный набор задач

Полный

набор задач




Предназначение
Автоматизация

Стандартизация,

увеличение свойства


Реорганизация

бизнес-процессов




Требования к разрабам
Специалисты-пользователи
Проф команды
Междисциплинарные команды

Стоимость
Низкая на проект
Высочайшая на проект
Высочайшая на проект

Риск
Диверсифицированный
Насыщенный
Насыщенный

Примеры

DuPont du Nemours

Оболочка Insight Plus

Сотки экспертных систем. Сотки правил в каждой ЭС


DEC, ЭС конфигурирования компов XCON, реализации XSEL

17000 правил,

эффект 27 млн. долл.


Xerox

Среда разработки информационной системы

ART-Enterprise (Inferenсe)

Ум. моделирование

ReThink (Gensym)




2.3. Построение концептуальной модели

На шаге построения концептуальной модели создается целостное и системное описание применяемых познаний, отражающее суть функционирования проблемной области. От свойства построения концептуальной модели проблемной области почти во всем зависит как нередко в предстоящем по мере развития проекта будет производиться перепроектирование базы познаний. Отменная мировозренческая модель может лишь уточняться (детализироваться либо упрощаться), но не перестраиваться.

Итог концептуализации проблемной области обычно фиксируется в виде приятных графических схем на объектном, многофункциональном и поведенческом уровнях моделирования:

· объектная модель обрисовывает структуру предметной области как совокупы взаимосвязанных объектов;

· многофункциональная модель отражает деяния и преобразования над объектами;

· поведенческая модель разглядывает взаимодействия объектов во временном нюансе.

1-ые две модели обрисовывают статические нюансы функционирования проблемной области, а 3-я модель — динамику конфигурации ее состояний. естественно, что для разных классов задач могут требоваться различные виды моделей, а как следует, и направленные на их способы представления познаний. Разглядим каждую из представленных видов моделей.

Объектная модель
отражает фактуальное познание о составе объектов, их параметров и связей. Простой единицей структурного познания является факт, описывающий одно свойство либо одну связь объекта, который представляется в виде триплета:

предикат (объект, Значение).

Если предикат описывает заглавие характеристики объекта, то в качестве значения выступает конкретное к примеру:

профессия («Иванов», «Инженер»).

Если предикат описывает заглавие связи объекта, то значению соответствует объект, с которым связан 1-ый объект, к примеру:

Работает («Иванов», «Механический цех» ).

В качестве важных типизированных видов отношений рассматриваются последующие дела:

“род” — “вид” (обобщение);

“целое” — “часть” (агрегация);

“причина” — “следствие”;

“цель” — “средство”;

“функция” — “аргумент”;

“ассоциация”;

“хронология”;

“пространственное положение” и др.

Так, дела обобщения («род» — «вид») фиксируется на уровне заглавий классов объектов, к примеру:

есть-подкласс (Инженеры, личности).

Под классом объектов понимается совокупа объектов с схожим набором предикатов (параметров и связей). Класс объектов нередко описывается в виде n-арного реляционного дела, к примеру:

личности ( ФИО, Профессия, Подразделение, … ).

Если объекты владеют отчасти пересекающимся набором предикатов, то осуществляется наиболее непростая систематизация объектов: класс объектов по значениям какого-нибудь характеристики (признака) разбивается на подклассы таковым образом, что класс объектов содержит общие для подклассов характеристики и связи, а любой из подклассов отражает специальные характеристики и связи, к примеру:

личности ( ФИО, Год рождения, Профессия, Подразделение, … )

инженеры ( ФИО, ВУЗ, Оклад, … )

рабочие ( ФИО, Разряд, Тарифная ставка, … )

При всем этом подклассы объектов автоматом наследуют общие характеристики и связи вышестоящих классов, а совокупа взаимосвязанных по отношению обобщения классов объектов образует иерархию наследования параметров.

Отношение агрегации классов объектов («целое» — «часть«) отражает составные части объектов, которое можно представить в бинарном виде на именах 2-ух классов объектов:

есть-часть ( Оборудование, Цех );

есть-часть ( Рабочие, Цех ).

Аналогично представляются остальные семантические дела:

· причина-следствие (Задолженность, Банкротство);

· аргумент-функция ( Спрос, Стоимость);

· средство-цель (Покупка акций, Прибыль);

· ассоциация (Создание, Сервис);

· хронология (Отгрузка, Поставка);

· пространственное положение (Сборка, технический контроль).

Обычно объектное познание представляется графически средствами ER-моделей (модель «Суть — Связь») — см. [15].

Многофункциональная модель
обрисовывает преобразования фактов, зависимости меж ними, показывающие, как одни факты обpазуются из дpугих. В качестве единицы многофункционального познания определим многофункциональную зависимость фактов в виде импликации:

А1_/А2_/А3_/ … /Аn_ -> B,

значащей, что факт В имеет пространство лишь в этом случае, если имеет

пространство конъюнкция фактов либо их отрицаний А1, А2, … , Аn , к примеру:


сбыт (Продукт, «Слабенький») и

Прибыль (Продукт, «Жалкая») и

пользователи (продукт, «Любители новейшего») и

число_конкурентов (продукт,»Маленькое») ->

жизненный_цикл (продукт, «Выведение на Рынок«).

Многофункциональную зависимость фактов можно трактовать как отражение последующих отношений фактов:

· «Причина» — «Следствие»;

· «Средство» — «Цель»;

· «аргумент» — «Функция»;

· «Ситуация» — «действие«.

В качестве термов конъюнкции фактов могут выступать наиболее сложные логические условия.

Многофункциональная модель строится методом поочередной декомпозиции целей, а конкретно: для цели определяются подцели, для которых в свою очередь инсталлируются подцели и так далее, пока в качестве подцелей не окажутся начальные факты (процесс декомпозиции «сверху» — «вниз»). Каждой цели (подцели) соответствует некая задачка (подзадача), которая не быть может решена, пока не будут достигнуты ее нижестоящие подцели (решены подзадачи). Таковым образом, многофункциональная модель отражает в обобщенной форме процесс решения соответствующих для нее задач.

Обычно многофункциональные зависимости фактов представляются графически в виде деревьев целей либо графов «И» — «ИЛИ» (рис. 2.2), в каких любой зависимый факт представляет собой мотивированную переменную — корневую верхушку, а определяющие его факты-аргументы — cвязанные с корнем подчиненные верхушки, условие конъюнкции (совместности анализа причин) обозначается пересекающей дугой, а условие дизъюнкции (независимости воздействия на цель причин) никак не обозначается, при этом если какой-нибудь факт-аргумент, в свою очередь, определяется иными фактами-аргументами, то он становится подцелью.

Рис. 2.2. Дерево целей — граф “И -ИЛИ”

Поведенческая модель
отражает изменение состояний объектов в итоге появления неких событий, влекущих за собой выполнение определенных действий (процедур). состояние объекта — это изменяющиеся во времени значения некого характеристики. Набор действий, связанный с неким событием, составляет задачка определения поведенческой модели заключается в определении связей событий с поведением объектов и конфигурацией их состояний. Как правило, событие отражается в форме сообщения, посылаемого объекту. Пример поведенческой модели в виде диаграммы потоков событий представлен в таблице 2.5.

Таблица 2.5.

заказ

СОБЫТИЕ

(Сообщение)


ПОВЕДЕНИЕ

(Действие)


СОСТОЯНИЕ

(Актуальный цикл)




Оформляется

Создание заказа

Проверка выполнимости



Оформлен

Откладывается
заказ у производителя
Отложен

Производится

Отчаливает

Выписываются платежные документы



Выполнен

Оплачивается
Ликвидирование заказа
Оплачен

2.4. Формализация базы познаний

На шаге формализации базы познаний осуществляется выбор способа представления познаний. В рамках избранного формализма осуществляется проектирование логической структуры базы познаний.

Разглядим систематизацию способов представления познаний исходя из убеждений особенностей отображения разных видов концептуальных моделей, а конкретно: соотношения структурированности и операционности, детерминированности и неопределенности, статичности и динамичности познаний (рис. 2.3 ).

Рис. 2.3. систематизация способов представления познаний

Так, объектные способы представления познаний в основном нацелены на способы вывода на правилах и может обрабатывать неопределенности в виде условных вероятностей либо коэффициентов убежденности, также делать однообразный либо немонотонный вывод;

· Семантическая сеть показывает различные дела объектов;

· Фреймовая модель, как личный вариант семантической сети, употребляет для реализации операционного познания присоединенные процедуры;

· Объектно-ориентированная модель, как развитие фреймовой модели, реализуя обмен сообщениями меж объектами, в основном нацелена на решение динамических задач и отражение поведенческой модели.

Логическая модель

подразумевает унифицированное описание объектов и действий в виде предикатов первого порядка. Под предикатом понимается логическая функция на N — аргументах (признаках), которая воспринимает настоящее либо неверное

vibor(Fio,Dolgnost):-

pretendent(Fio, Obrazov, Stag),

vacancy(Dolgnost, Obrazov, Opyt),

Stag>=Opyt.

pretendent(«Иванов