Гибридные экспертные системы

Общая характеристика гибридных экспертных систем принятия решений

Гибридные экспертные системы

ГЭСявляются системами сбора, накопления,приобретения и переработки знаний, т.е.качественной информации по предметнойили проблемной области.

ГЭСобеспечивает создание (вывод) семантических(смысловых) решений неформализованныхзадач (НФЗ-ОУД) организационно-управленческойдеятельности.

Смысловоеуправленческое решение— это сущность управленческого действия,которая может быть представлена ввербальной форме ограниченногоестественного языка ЛПР или в видеграфического изображения.

Архитектура гэс

Важнейшимэлементом архитектуры ГЭС (отличием отинформационной системы управления)является наличие интеллектуальногообеспечения.

Компоненты:

  1. База знаний данной предметной области (БЗ).

  2. Лингвистический процессор (ЛП) — моделирует ограниченный естественный язык (ОЕЯ).

  3. Диалоговый интерфейс — обеспечивает диалог человека и компьютера.

  4. Машина вывода.

Существуют следующие модели представлениязнаний:

  • формализмы;
  • SOAR;
  • фреймы (FR)$
  • семантические графы (сети) — SG, SN;
  • предикаты (PR);
  • логические модели;
  • продукционные правила (PRL).

Для реализации процедур генерациирешений в машинах вывода в настоящеевремя наиболее широко используютсядеревья вариантов решений (ДВР).

ДВР— специального вида графы.

Наряду с интеллектуальным обеспечениемв структуру ГЭС входит программное иинформационное обеспечение (базы ибанки данных — БД и БКД — содержатчисловую и фактографическую информацию).

Программно-математическоеобеспечение позволяет создаватьматематическую (цифровую) модельсемантического решения , генерированногос помощью баз знаний и машины вывода.

Тема 9. Объекты логистики

    1. Понятие логистической цепи ЛЦ, логистической системы ЛС.

Основным объектомисследования и анализа логистики какнауки и сферы управленческой деятельностиявляется логистическая цепь.

Логистическая цепь – упорядоченнаясовокупность взаимосвязанных материальнымипотоками, информационными и финансовымипотоками физических объектов, юридическихлиц и специальных информационно-=вычислительныхустройств, которые обеспечиваютфизическую реализацию движения и/илитрансформации (преобразования)материальных потоков при выполнениикаких-либо логистических операций и/илилогистических функций (См приложениярис.9.1. Простая логистическая цепь)

Звено ЛЦ (ЗЛЦ) илиэлемент ЛЦ –некоторый экономический и/или функциональнообособленный физический объект(юридическое лицо и информационно-вычислительноеустройство), который не подлежитдальнейшему расчленению (декомпозиции)в рамках поставленной логистическойзадачи и выполняет вполне конкретнуюцель ЛД, которая связана с реализациейили выполнением логистической операции.

Виды ЗЛЦ:

  • генераторы (источники) – производящие, создающие элементы;
  • преобразующие (трансформирующие элементы);
  • поглощающие (стоки).

С точки зрения предпринимательскойдеятельности ЗЛЦ могут представлятьсобой:

  • предприятия-поставщики сырья и ТЭР;
  • предприятия -изготовители;
  • сбытовые предприятия, конторы;
  • склады;
  • торговые предприятия, ярмарки, магазины;
  • транспортные агентства;
  • экспедиторские предприятия;
  • биржи, банки и другие финансовые институты;
  • информационно-вычислительные центры;
  • локальные компьютерные сети;
  • Internet.

Одним из основныхуправляемых воздействий (переменных)ЛЦ является материальный поток.

Материальный поток(МП) – этонаходящиеся в состоянии движения и/илитрансформации (преобразования) разнообразные материальные ресурсы,незавершенное производство, готоваяпродукция (продукты, полупродукты,побочные продукты), к которым применяютсяразличные логистические операции илифункции, реализующие физическоеперемещение или трансформацию как вовремени, так и в пространстве этихматериальных ресурсов.

В каждом ЗЛЦматериальные потоки могут объединяться или смешиваться, разделяться. В каждомЗЛЦ может быть количественное (изменениечисла штук, кг) или качественное (изменениесостава) изменение материального потока.

Классификация материальных потоков.

  1. материальные ресурсы

  2. незавершенное производство

  3. готовая продукция

Материальные ресурсы– предметы труда (то, что подлежитвоздействию со стороны рабочей силы):

  1. сырьё (в частности природное);

  2. топливно-энергетические ресурсы (ТЭР);

  3. основные, вспомогательные материалы;

  4. полуфабрикаты;

  5. комплектующие изделия;

  6. сборочные единицы;

  7. запасные части для ремонта и технического обслуживания;

  8. отходы производства: стоки, выбросы, твердые отходы.

Незавершенноепроизводство– эта продукция незаконченная на данномпроизводстве для выпуска в результатефизических, химических и физико-химическихпроцессов.

Готовая продукция– продукт, который полностью прошелпроизводственный цикл на предприятии.Это полностью укомплектованная, прошедшаятехнический контроль продукция, онасдана на склад или отгружена потребителю.

Все эти три понятиядолжны точно рассматриваться во времении пространстве на каждом участке ЛЦ(например, сырьё, полуфабрикаты могутбыть готовой продукцией для предшествующегопроизводства).

Особый вид МП – тараи упаковка, которые важны при физическомраспределении товара.

Если МП не движется, то он превращаетсяв запас на складе. Таким образом, еслиМП рассматривать в определенный интервалвремени, то он может быть либо запасом,либо незавершенным производством, либоготовой продукцией.

МП может возникать,двигаться, поглощаться, т. е. МП всегданаправленный. Для отображения такоговида объектов целесообразно использоватьматематические модели, которые называютсятопологическими (или графами – graph).

Топология (изучениеместа) – раздел математики, научнаядисциплина, которая изучает и/илирассматривает такие объекты, свойствакоторых инвариантны (независимы) квзаимнонепрерывному и взаимнооднозначномупространственному образованию.

Объекты топологии: графы, кольца, решетки,группы и т. д.

Графы– объекты, модели, широко использующиесяв решении оптимальных задач экономики,организации и управления.

Теория графов (разработал Леонард Эйлер)излагается в двух аспектах:

наглядно графически (иконографически);

абстрактно ( теоретико-множественнаятеория).

Наглядно графическоеопределение графа – это фигура и/иликонфигурация, состоящая из совокупноститочек, а также отрезков прямых и/илиломанных, направленных и/или ненаправленныхлиний, соединяющих некоторые точки.

Точки– узлы или вершины графа.

Направленный отрезок– дуга (ветвь) графа.

Ненаправленныйотрезок – ребрографа.

Разновидностьюграфа является граф в виде дерева

Направленныйотрезок – это дуга

Отрезок, неимеющий ориентации – это ребро

.

    1. Понятие логистическая функция, логистическая операция.

Любые физические,химические, физико-химические действия,которые осуществляются над МП в ЛЦназываются логистическими операциямиили логистическими функциями.

Логистическаяоперация (ЛОП) – любоепростейшее действие, которое в даннойзадаче не расчленяется (не декомпозируется),связанное с возникновением (образованием),движением (трансформацией) или поглощением(удалением) МП и сопутствующих емуинформационных и финансовых потоков,а также потока услуг (сервиз).

Логистические операции, относящиеся кМП:

  • переработка материалов (за счет производственных процессов)
  • погрузка, разгрузка
  • затаривание (и/или упаковка)
  • перевозка продукции, сырья, транспортирование
  • сортировка
  • агрегирование или консолидация
  • разукрупнение (разделение)прием и отпуск со склада продукции или материалов
  • хранение
  • перегрузка с одного вида транспорта на другой
  • маркировка (штрих кодирование).

Логистические операции, относящиеся кинформационным и финансовым потокам(они сопутствуют МП, могут опережатьих, отставать от них):

  • сбор, хранение (накопление), переработка информации о МП
  • вычислительные операции (расчет систем управлений, решение задач оптимизации)
  • расчеты с покупателями, поставщиками
  • страхование грузов
  • передача прав собственности на товар.

Логистическаяфункция (ЛФ) –определенная обособленная упорядоченнаясовокупность логистических операций,которые реализуют основные цели и задачиЛЦ.

Основные логистические функции:

  1. Закупочно-снабженческая логистика (ЗСЛ) – функция МТО.

  2. Производственная логистика (ПЛ) – основная функция преобразования МП.

  3. Складская логистика (СЛ) – погрузка/разгрузка, внутрискладская упаковка.

  4. Распределительно-транспортная логистика (РТЛ) – выбор и каналов распределения, включающих центры распределения, а также точки оптового и розничного распределения продукта, характер вида транспортирования по этому каналу.

  5. Разместительно-запасовая логистика (РЗЛ) – контроль и управление запасами, размещение, движение сырья и готовых изделий.

  6. Распределительно-сбытовая логистика (РСЛ) – реализация сбыта через посредников.

  7. Информационная логистика (ИЛ).

  8. Финансовая логистика (ФЛ).

В ЗЛЦ МП могут:

– объединяться\ смешиваться.

– разделяться

Отметим набор ЛОП и ЛФ, осуществляемыхв ЛЦ на рис. 9.3

  1. Получение и обработка информации о заказе по факсу, телефону, Internet.

  2. Подготовка необходимого количества продукта к перевозке.

  3. Затаривание и упаковка.

  4. Погрузка.

  5. Перевозка.

  6. Разгрузка.

  7. Приемка готовой продукции покупателем.

  8. Оформление товарно-транспортных документов.

  9. Денежные расчеты за перевозку.

  10. Передача собственности на товар – акт продажи.

Выполнение ЛОП, ЛФсвязано с издержками или затратами.Основная задача логистики – минимизациявсех логистических издержек по всейЛЦ, т. е. поиск экономического компромисса.Экономическийкомпромисс –поиск оптимального экономическогорешения для совокупности не менее чемдвух взаимосвязанных ЛОП или ЛФ. Однии те же ЛОП могут выполняться различнымиЗЛЦ.

Например, погрузкаготовой продукции может осуществлятьсякак перевозчиком, так и производителем:задача экономического компромиссапередать ЛОП тому или иному ЗЛЦ.

Могутбыть различные варианты решения этойзадачи: сравнение цен услуг перевозчикаи производителя по критерию минимумаиздержек в ЛЦ, выбор оптимальногоперевозчика.

Если на рынке существуетмного транспортных фирм, то логистикдолжен выбрать перевозчика сопоставляязатраты фирм на: собственно перевозку,тарифы фирм, погрузку, разгрузку. Особоевнимание уделяется сохранности товараи доставке точно в срок.

Рассмотрим ЛОП над информационными ифинансовыми потоками в ЛЦ, представленнойна рис. 9.2.

В ЛЦ ЗЛЦ могут бытьсвязаны сложной структурой материальных,информационных, финансовых потоков.Разберем типы связи.

См приложения (дополнение 1,табл. 9.2.)

Рассмотрим рис. 9.4. Логистическая цепьи формирование издержек.

На этой блок-схемедевять ЗЛЦ (МП), каждое звено определеннаяЛОП, каждой ЛОП соответствуют определенныелогистические издержки, которые несетфирма-производитель.

Производственно-хозяйственнаяорганизацияПХО (ЗЛЦ) – самостоятельно хозяйствующийсубъект, который создан в соответствиис законодательством для осуществленияопределенных видов предпринимательскойдеятельности либо по производствупродукции либо по предоставлению услуг

  • Промышленно-производственные системы ППС (производят продукцию):
  • химическая (нефть)
  • фармацевтическая
  • автомобильная
  • пищевая
  • Операционно-обслуживающие системы ООС (сфера обращения):
  • банки
  • биржи
  • транспортные агентства
  • рестораны
  • туристические фирмы
  • больницы.

Логистическая сеть(ЛС) ПХО – множествоэлементарных ЛЦ, взаимосвязанных междусобой МП и сопутствующими им ИП, ФП ипотоком услуг (сервис).

На рис. 1.4 в логистической сети несколькоЛЦ.

Интегрированная ЛЦ, рассматриваетизготовление ГП1, используя МР1:

ЗЛЦ 1ЗЛЦ 4 ЗЛЦ 6 ЗЛЦ 7 ЗЛЦ 8 ЗЛЦ 11 ЗЛЦ 13 (полная интеграция ЛЦ, входящей вданную ЛС).

Логистический каналЛК – фрагментили часть ЛС, который включает упорядоченнуюсовокупность ЗЛЦ, приводящих МП вдвижение (и его преобразование) отпоставщика материальных ресурсов,необходимых для изготовления конкретноговида продукции (конкретной номенклатурыассортимента) до её конечного потребления,конечного пользователя или покупателя.

Понятие ЛК может распространяться навнешние СЛ, на микрологистическиесистемы (внутри предприятия) имакрологистические системы (регион).

Например, согласнорис. 1.4 для ГП2 используются МР1 и МР2,тогда логистический канал дляинтегрированной микрологистическойсистемы будет включать: ЗЛЦ 1, 5, 6, 7, 9, 10,12, 14. МР 2, МР 3 и МР 1 – для ГП 1, тоинтегрированная ЛЦ ГП1 преобразуетсяв ЛК, куда надо включить звенья системыснабжения (МТО) – ЗЛЦ 2, 3, 4.

Источник: https://StudFiles.net/preview/577471/page:9/

Экспертные системы или искусственный интеллект

Гибридные экспертные системы

Экспертная система (Expert + Knowledge = Advice) представляет собой компьютерную программу, которая содержит знания и делает логическое заключение о специализированной предметной области для решения определенных задач или предоставления соответствующих рекомендаций. Это приложение, которое выполняет задачу, как если бы это был человеческий эксперт. Например, существуют экспертные системы, которые могут диагностировать заболевания человека, составлять финансовые прогнозы и планировать оптимальные маршруты маршрутов для транспортных средств. Некоторые экспертные системы предназначены для выполнения большинства экспертных функций, а другие предназначены для их помощи. Экспертные системы являются частью общей категорией компьютерных приложений, известные как искусственный интеллект.

Интегрированная производственная система на языке C (CLIPS) является разработкой Космического центра Johnson NASA . Это инструментальный инструмент для создания экспертных систем. До 1986 года он не был доступен за пределами NASA.

С 1996 года серьезное внимание уделялось программам, финансируемым ERUIT , Европейской сети по разработке методов неопределенности с применением в информационных технологиях (ERUDIT); Европейская интеллектуальная технология Perfect Network для интеллектуальных технологий и адаптивных интеллектуальных систем (EUNITE); программа IST.

Экспертные системы

Экспертные системы представляют собой компьютерные информационные системы, которые предоставляют знания и делают их доступными для пользователей для решения конкретных проблем.

Экспертные системы разработаны для решения ряда различных типов проблем в нескольких категориях: интерпретация, прогнозирование, диагностика, проектирование, планирование, мониторинг, отслеживание, восстановление, управление, управление.

Прикладными областями для экспертных систем являются: агрономия, химия, компьютерные системы, электроника, инженерия, геология, юриспруденция, промышленность, математика, медицина, метеорология, военная наука, физика, управление процессами, космические технологии.

Экспертные системы могут также использоваться для обучения в соответствующей области, используя свой опыт в решении проблемы и их организованных знаний.

Системы с использованием искусственного интеллекта

Быстрое развитие информационных технологий и их применение в промышленности создали необходимость решения ряда сложных проблем. Для их решения необходимы различные подходы. Искусственный интеллект предлагает подходящую возможность решить некоторые сложные проблемы отрасли.

Основная задача технологии, основанной на искусственном интеллекте и знаниях, заключается в создании интеллектуальных систем программирования, Такие системы обеспечивают решения проблем, связанных с большим количеством пространства поиска для неопределенных граничных условий и неполных данных, применяя эвристические стратегии и используя знания в предметной области.

Сбор, структурирование и представление имеющихся знаний — ключевая проблема систем, основанных на знаниях. Интеллектуальные системы, основанные на знаниях, используются в области производства, технического обслуживания оборудования и технической диагностики.

Во многих проблемах разбирательства решения носят неопределенный характер и предполагают множество альтернативных действий. Решения обычно зависят от опыта этих вопросов, к которым они применяются.

Применение экспертных систем

Типичные задачи экспертных систем:

  1. Интерпретация данных (например, звуковых сигналов)
  2. Диагностика неисправностей или заболеваний
  3. Структурный анализ сложных объектов (например, химических соединений)
  4. Конфигурация сложных объектов (например, компьютерных систем)
  5. Последовательности действий планирования

Применение интеллектуальных систем

Системы, основанные на знаниях, применимы к широкому кругу вопросов. Согласно D.Sriram [2], они должны использоваться для таких задач, как проектирование (проектирование), диагностика, интерпретация, управление, планирование и прогнозирование.

Проектирование, планирование и прогнозирование создают объекты высокого уровня с использованием метода интеграции классов объектов нижнего уровня. Диагностика, интерпретация и управление обеспечивают и интерпретируют данные и знания на этапе составления выводов и предоставления возможных решений.

Каждая из этих проблем частично разлагается на ее особенности, что помогает понять отражение эксперта в конкретной области.

1. Проектирование

Проектирование — это процесс создания системы или объекта, который отвечает определенным требованиям. Одной из таких систем является XCON (в оригинале R1). Эта система предназначена для настройки компьютеров VAX. Система работает с использованием метода частично решенных схем.

FADES — это система проектирования и планирования оборудования. Знание представлено правилами, выполняемыми в виде логических процедур и предикатов первого порядка.

База знаний включает в себя знание следующих областей: технологическое рабочее место, экономический анализ инвестиций, выбор назначенных алгоритмов, планирование и восстановление информации, полученной методом логических правил в существующей базе данных и другими знаниями.

Требования к проектированию системы включают достижение целей встречи без высокой стоимости ресурсов. Для разрешения возможных конфликтов необходимо ввести приоритеты.

Системы должны быть гибкими, требования со временем могут меняться или неизбежно непредвиденные замены конструктивных параметров. Ключевыми проблемами такого типа систем, основанных на знаниях, являются следующие:

вся последовательность проектных решений не должна быть заранее предсказана до тех пор, пока дизайн не продвинется значительно;

необходимо построить иерархию подзадач;

конструктивные ограничения исходят из нескольких источников;

переориентация неизбежна, и замена параметров дизайна может быть замечена только в перспективе;

требуются особые отношения между параметрами дизайна, они не могут быть легко аппроксимированы качественной отчетностью.

2. Диагностика

Диагностика рассматривается как процесс обнаружения ошибок и сбоев в любой системе. Лучшим примером диагностической системы является система MYCIN, разработанная Shortliffe.

Другая известная диагностическая система — это DELTA, разработанная Bonissone для General Electric, для обнаружения неисправностей двигателя. Чтобы выбрать определенный диапазон сбоев локомотива, система задает ряд подробных вопросов для пользователя системы.

На каждом этапе система объясняет аргументы эксперта, которого она применяла. Наконец, когда выявлен отказ локомотива, система создает конкретные обратные инструкции. База знаний DELTA содержит более 500 правил, изложенных на своем языке для презентации. Система использует гибкую поисковую систему.

Сначала система была разработана в LISP, а затем перепрограммирована в FORT.

ACE — это диагностическая система, которая обнаруживает и диагностирует сбои в телефонной сети путем выявления плохих мест в сети и рекомендует соответствующие ремонтные и реабилитационные услуги.

Система анализирует данные из операций обслуживания и генерирует выходные данные, описывающие физическое местоположение сбоев и характеристик сети в этом месте. ACE работает без вмешательства человека, анализируя данные обслуживания, ежедневно генерируемые CRAS, компьютерной программой для администрирования отказа кабеля.

ACE решает, какие части телефонной сети могут потребовать переключения или восстановления и сохраняет общую информацию из этих выводов в отдельной базе данных, к которому пользователь имеет доступ.

Когда система обнаруживает поврежденные телефонные кабели, она решает, нуждаются ли они в профилактическом обслуживании, и выбирает тип поддержки как можно более эффективный, и рекомендации записываются в базе данных, к которым пользователи имеют доступ.

ACE принимает решения с использованием знаний приложений для проводных центров, ежедневных данных обслуживания CRAS и стратегий сетевого анализа. ACE может генерировать выводы, но не может объяснить аргументы перед этим, вместо этого добавить к нему сводку данных, которые приводят к ней, которая удовлетворяет пользователей системы.

Система ACE была разработана в ОАДЕ — 4 и Франц Лиспе для VAX-11/780 компьютеров, в основном испытанные, а затем преобразованные в суперкомпьютеры AT & T 3B-2 Model 300, которые расположены в службах анализа кабельной сети. Он был разработан Bell Laboratories в Уиппани, штат Нью-Джерси.

NDS обнаруживает сложные множественные сбои в сети связи COMNET, реализуя стратегии экспертной диагностики, основанные на знаниях топологии сети и ее состава.

Система предлагает выполнить диагностический тест, и результат каждого теста обеспечивает доказательство наличия сбоев или нет в любом из нескольких компонентов. Компоненты включают в себя процессоры связи, модемы, телефонные соединения и компьютерные терминалы.

NDS является основанной на правилах системой и реализованной в ARBY. Система разработана в Smart Systems Technology в сотрудничестве сShell Development Company .

Экспертиза в диагностических системах предполагает поиск последовательных и неверных интерпретаций данных и понимание взаимосвязи между подсистемами. Ключевыми проблемами, возникающими в этом типе системы, являются следующие:

данные могут быть частичными, противоречивыми и несвязанными;

повторяющиеся ошибки могут быть замаскированы или могут вызывать симптомы, которые в противном случае решаются экспертами;

оборудование может ошибаться, результаты испытаний могут быть неверными;

некоторые данные могут быть недоступны или могут быть получены случайно.

3. Интерпретация

Интерпретация — это процесс анализа данных u1085 для определения их значения. Система такого типа DENDRAL , разработанная Бьюкененом. Система способна имитировать химическую экспертизу. Требования к интерпретации такие же, как и для диагностики, т.е.

умение системы состоит в нахождении последовательных, последовательных интерпретаций данных и без отклонения возможных кандидатов до тех пор, пока не будет отклонено достаточное количество доказательств.

Вопросы, связанные с интерпретацией, такие же, как и для диагностики, с одним дополнением: шаблоны распознавания образов в интерпретации длиннее и сложнее, чем диагностические диаграммы.

4. Управление

Управление рассматривается как процесс непрерывной или периодической интерпретации сигналов и включение сигнала оповещения, когда это требует интерпретация (обычно в режиме реального времени). Одной из таких систем является AAMS, разработанный Харау, для акустического контроля процесса обнаружения дефектов железнодорожных колес.

Другая система управления — это NAVEX, разработанная Гилбертом для управления полетом. Помимо интерпретаций и частичной диагностики, системы этого типа должны быть способны реагировать на различные ситуации тревоги и быть в состоянии избежать ложной тревоги.

Практическая проблема с такими системами заключается в том, что условие предупреждения часто зависит от контекста и связано с ожиданием сигналов, со временем и ситуацией.

5. Планирование

Планирование — это процесс создания программ для достижения нескольких целей. Планирование производства — это область, требующая значительных знаний и опыта. Эта область очень подходит для применения систем, основанных на знаниях.

Первая система планирования MOLGEN, разработанная Stefik, заключается в планировании экспериментов по молекулярной генетике. Другим примером является система ESFAS, разработанная Калбером, для оказания помощи в разработке полетов НАСА.

Система GERI основана на знаниях в процессе планирования. Эти знания представлены в качестве производственных правил.

База знаний системы состоит из описания характеристик, размеров и геометрических соотношений между объектами области объекта системы.

Требования к планированию и проблемы аналогичны требованиям к дизайну с добавлением требования к расписанию.

6. Прогнозирование

Прогнозирование рассматривается как процесс прогнозирования будущего на основе моделей прошлого и настоящего, а также соображений времени и случайной последовательности. Проблемы с этим типом системы заключаются в следующем:

  1. теория прогнозирования учитывает ситуации в будущем;
  2. изобилие различных видов информации;
  3. повторение функций всегда возможно, их следует описывать в порядке приоритета.
  4. При прогнозировании, а также при планировании и проектировании количество возможных решений иногда намного превышает количество интеллектуальных решений.

Возможности обучения.

Системы, основанные на знаниях, могут использоваться для обучения с использованием их опыта в решении проблемы и их организованных знаний.

Общие характеристики экспертных систем

  1. Экспертные системы заключают на основе некоторого представления человеческих знаний
  2. Экспертные системы обычно решают задачи с использованием эвристических или приближенных методов
  3. Экспертные системы моделируют то, как люди делают выводы в определенной предметной области, а не в поле
  4. эвристика
  5. Эвристика — это правила, основанные на опыте, которые кодируют определенные знания о том, как решить проблему из определенной области.
  6. Эвристические методы являются приблизительными в том смысле, что они не требуют точных данных, и решения могут быть извлечены из системы с определенной степенью определенности.

Интеллектуальная архитектура систем

Архитектура основанных на знаниях систем включает в себя следующие компоненты:

  1. база знаний (общее знание проблемы, т. Е. Факты и правила);
  2. база данных (информация о текущей проблеме, то есть входные данные);
  3. механизм заключения (методы применения общего знания к проблеме);
  4. пояснительный компонент (который информирует пользователя о выводах);
  5. пользовательский интерфейс и компонент сбора знаний; (область памяти для хранения описания и состояния проблемы, построенная из фактов, предоставленных пользователем или извлеченных из базы знаний).

Источник: https://bezopasnik.info/%D1%8D%D0%BA%D1%81%D0%BF%D0%B5%D1%80%D1%82%D0%BD%D1%8B%D0%B5-%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D1%8B/

Третье поколение экспертных интеллектуальных систем (ЭИС)

Гибридные экспертные системы

В наше время происходит переход к разработке и применению ЭИС третьего поколения ( 2007—2010 гг.) – интеллектуальным интегрированным комплексам моделирования.

Главный смысл смены концепций (парадигмы) создания ЭИС и использования средств ИИ — это переход от предположений, справедливых только для изолированных систем ИИ, и от индивидуальных, автономных систем к распределенной обработке информации и разработке мультиагентных ИС .

Главной особенностью перспективных систем является их распределенность, обеспечение обработки и применение распределенных знаний.

Основой для создания перспективных ЭИС являются результаты, имеющиеся в области методов обнаружения закономерностей, распознавания образов, структурно-логического анализа данных и знаний, математической лингвистики, а также достигнутый опыт в разработке ЭИС. В создаваемых в настоящее время экспертных системах уже имеются отдельные вышеуказанные элементы.

Перспективные ЭИС (экспертные интеллектуальные системы) должны обеспечивать обработку смыслов, а не только знаний и данных. Эти системы могут анализировать фразы естественного языка и строить соответствующие их семантическому содержанию сетевые структуры.

ЭИС становится способной понимать смысл сообщений, формируемых в естественной форме, и синтезировать фразы, относящиеся к данной предметной области. Для этих целей актуальной задачей становится разработка систем распознавания управленческих ситуаций.

Важная ее особенность заключается в том, что результат распознавания должен отражать смысл ситуации, который в нее вкладывают пользователи, эксперты, лица, принимающие решение (ЛПР).

Для решения данной проблемы подготовлена хорошая теоретическая и практическая базы в области искусственного интеллекта и накопленный опыт создания и использования ЭИС, в том числе извлечения смысловой информации из Internet .

Перспективная ЭИС (экспертная интеллектуальная система) должна строить модель исследуемой проблемной области, т. е. создавать ее теорию, строить модель пользователя (ученика, обучаемого) и модель самой себя, чтобы оптимизировать процесс формирования модели исследуемой операции (ситуации) в сознании обучаемого.

Логический вывод перспективных ЭИС позволит имитировать человеческую способность рассуждений по аналогии и находить близость анализируемой и эталонной ситуаций (с помощью набора уже исследуемых ситуаций и хранящихся в памяти ЭВМ). Такой прием позволяет существенно ускорить процесс логического вывода, особенно в больших базах знаний.

Блок анализа данных создаваемых систем должен обеспечивать обработку больших массивов разнотипных данных, представленных в триаде “объект—свойство—время”.

Программы распознавания позволяют в процессе обучения обнаруживать закономерные связи между описывающими и целевыми характеристиками объектов и использовать эти закономерности в процессе распознавания новых объектов.

Перспективные ЭИС должны иметь средства автоматической поддержки и даже улучшения своих рабочих характеристик в ходе эксплуатации и поддержания гомеостатического состояния.

Главной отличительной функцией интеллектуальной гибридной экспертной системы является умение давать правильные предсказания, рекомендации на основе обработки поступающих данных и выявления устойчивых (закономерных) связей между характеристиками данных.

Возможный вариант перспективной ЭИС приведен на рисунке.

Перспективная экспертная интеллектуальная система

В настоящее время наблюдается этап активного развития интегрированных интеллектуальных инструментальных средств. В такой системе объединяются возможности ключевых современных информационных технологий:

  • методы искусственного интеллекта для полного и адекватного представления экспертных знаний о процессах на основе распределенной обработки знаний;
  • графический объектно-ориентированный язык для описания моделей и проектов;
  • средства анимации и имитационного моделирования исследуемых процессов.

Вариант перспективной экспертной системы приведен на рисунке

Таким образом, перспективная экспертная система представляет собой интегрированное интеллектуальное средство. Это самодостаточная графическая среда для разработки, внедрения и сопровождения в широком диапазоне условий. Для этих систем характерны следующие требования:

  • простота использования;
  • полнота средств имитационного моделирования;
  • возможность стыковки со средствами разработки приложений;
  • ускоренная разработка;
  • модульность построения;
  • возможность использования концепции открытых систем.

(экспертных интеллектуальных систем)

Для эффективного использования ЭИС в системах управления при их разработке реализуются три основных принципа:

  • простота и понятность моделей знаний, механизмов вывода и пользовательского интерфейса;
  • наличие разделяемых компонентов работы со знаниями и с выводами;
  • универсализм — возможность выбора различных моделей знаний, процедур вывода решений, методов накопления знаний, комбинации тех или иных методов и моделей при поиске решения конкретных задач. Достигнутый уровень использования ЭИС в системах управления позволил определить уровни сочетания эвристических форма лизованных способов представления инженерных знаний в зависимости от детализации описания объекта (системы). Чем выше уровень АСУ, тем в большей степени необходимо использовать экспертные системы. Если же объект проектирования не всегда имеет адекватное модельное представление на определенном иерархическом уровне (среднее звено АСУ), программное обеспечение должно разрабатываться в сочетании “жестких” и “мягких” алгоритмов. На уровнях, допускающих строгую формализацию процессов (нижний уровень АСУ), структура программного обеспечения выполняется на основе четких “жестких” алгоритмов, реализованных в традиционных системах.

Характеристики

ЭИС первого поколения

ЭИС второго поколения

Перспективные ЭИС

Способы извлечения знаний, структура баз знаний

“Инженер знаний”, эмпири ческие знания эксперта

“Инженер знаний”, исследова ния по автоматическому извле чению знаний из базы знаний

Автоматическое обнаружение из баз знаний (из текстов, руководств, инст рукций, схем и т.д.)

Типы баз знаний

Отдельные формы — продук ция, фреймы, семантические сети, решающие деревья

Работа с любыми формами знаний (библиотека знаний)

Библиотека форм знаний, имитационные модели, сценарии

Источник знаний

Эксперт

Эксперты, базы знаний

Базы знаний, данные, статистические или эмпирические таблицы триад объектов “объект — свойство — время”

Наличие базы данных

Отсутствует

Частично, базы данных из двух кодовых таблиц “объект — свойство”

БД из трех входовых таблиц “объект — свойство — время”

Логический вывод

Вывод по дедукции

Дедукция, нечеткие выводы, индукция, немонотонные рассуждения, частично рассужде ния по аналогии

Дедукция, индукция, немонотонные рассуждения, методы близости в пространстве знаний, рассуждения по аналогии

Язык общения с пользователем

Фразы и термины жесткой конструкции прикладной области

Проблемно-ориентированный естественный язык

Сценарии диалога, формирование терминологии под прикладную область и форм сообщений, понимание смысла сообщений

Устный диалог

Отсутствует

Ограниченный словарь

Словари по определяющим терминам прикладных областей в процессе обще ния и использования

Проверка адекватности баз знаний

Отсутствует

Частичная проверка непроти воречивости и полноты баз знаний

Проверка непротиворечивости, полноты, работа с информацией с НЕ-факторами (неопределенность, неполнота, неточность)

Прогнозирование недостающих данных в базе данных

Отсутствует

Исследования по автоматическому прогнозированию величин, отсутствующих в базе данных

Автоматическое прогнозирование величин, отсутствующих в базе данных

Модель пользователя Средства автоматического обеспечения работоспособности системы

Отсутствует

Обучение систем по адаптации под конкретного пользователя Частично обеспечивают автоматизацию в некоторых областях

Программы адаптации под конкретных пользователей и интерфейс с АСУ Программы гомеостата для определения работоспособности системы, обнаружения новых закономерностей и индикации сведений для пользователя

Выдаваемые результаты

Числовые данные, стандартные рекомендации

Числовые данные, рекомендации с сопровождающим пояс нением, обучение систем обнаружению новых закономер ностей

Числовые данные, рекомендации с сопровождающим пояснением, форму лирование обнаруженных новых законо мерностей, тенденций, графика, ани мация, диаграммы

Вид обрабатываемой информации

Статическая

Динамическая, статическая

Статическая, динамическая, потоковая, динамическая в АСУ

Объем эвристических знаний в базе знаний

Сотни правил

Тысячи правил

Десятки тысяч правил

Принцип построения и использования системы

Обособленное использование ЭИС для решения задачи

Гибридное построение ЭИС (эвристическая и имитационная компоненты)

Гибридные интеллектуальные нечеткие системы (интеллектуальные интегриро ванные комплексы моделирования), открытая система

Обработка распределенных знаний

Отсутствует

Исследования по построению распределенных ЭИС, разработка концепции

Распределение ЭИС, мультиагентные системы искусственного интеллекта

Функции системы

Пассивный помощник пользователя

Активный помощник поль зователя, отработка на стендах функций ЭИС по управлению исполнительными механизмами в АСУ

Управляющий орган исполнительными механизмами в АСУ, активный помощник пользователя

Ввод новых знаний, модификация знаний

В режиме ввода информации

В рабочем режиме ЭИС

В рабочем режиме ЭИС и АСУ

Запуск механизма вывода решения

По требованию пользователя

По требованиям, автоматически при смене входных данных

Автоматически, при смене ситуационных исходных данных, в том числе в АСУ

Объективизация субъективных данных

Отсутствует

Частично (в стадии исследований)

Методы нечеткого адаптивного управления

Источник: http://itstan.ru/it-i-is/trete-pokolenie-ekspertnyh-intellektualnyh-sistem-eis.html

Военный юрист
Добавить комментарий