Навігація
Головна
 
Головна arrow Інформатика arrow Інформаційні технології
< Попередня   ЗМІСТ   Наступна >

Інформаційні системи (реалізації ІТ)

Інформаційні системи на базі концепції штучного інтелекту

Глобалізація та інтернаціоналізація економіки, все прискорюється динаміка бізнесу, жорстка конкуренція і боротьба за сировинні ресурси все частіше стали приводити до ситуацій, коли в умовах дефіциту часу необхідно прийняти єдино вірне ділове рішення. Для цього керівнику потрібно в стислі терміни в умовах великої невизначеності проаналізувати ситуацію, сформувати варіанти рішень (Decision Tree), оцінити ризики і взяти на себе відповідальність за прийняття і реалізацію рішення. Зробити все це з використанням тільки "ручних" коштів було достатньо складно, і внаслідок цього ризик прийняти невірне рішення, був великий. У зв'язку з цим стали розвиватися формалізовані методи прийняття рішення в умовах невизначеності, описувані нечіткою логікою, і створюватися спеціалізовані ІС.

Розглянемо, в чому полягає відмінність між чіткої (Crisp Logic) і нечіткої (Fuzzy Logic) логікою. У чіткої логіці очікуване наслідок завжди однозначно слід заявленої посилці, якщо задані чіткі правила виконання умови, наприклад "якщо А, то Б", або "якщо А і Б, то В". При нечіткій логіці кордону виконання умови не визначені або визначені нечітко: "якщо А, то в проміжку часу <T 1, Т2> Б може бути багато більше В, а може бути майже одно В" - все залежить від початкових і поточних умов, які можуть швидко змінитися навіть усередині зафіксованого проміжку часу 1, Τ 2> •

Алгоритми для аналізу таких ситуацій реалізують, як правило, сценарні варіанти розвитку ситуації з оцінкою ризику кожного варіанту. Відповідно, ІС в такому випадку, крім стандартних функцій збору, зберігання і передачі даних, повинна містити модулі, що реалізують обробку і багатоваріантний аналіз інформації. Оскільки розвиток бізнес-ситуації може визначатися декількома параметрами, і моделі, що описують такі ситуації, рідко бувають лінійними, то реальне завдання найчастіше зводиться до завдань багатофакторного оцінювання і нелінійної оптимізації. У зв'язку з цим аналітичні модулі ІС підтримки прийняття рішення (Decision Support System - DSS), експертних систем (Expert Information System - EIS), систем підтримки виконання рішення (Executive Support System - ESS), діагностичних систем (Diagnostic Information System - DIS), систем розпізнавання зображень (Image Recognition System - IRS), а також пошукових систем (Searching System) зазвичай будуються з використанням принципів, званих принципами штучного інтелекту.

Штучний інтелект (Artificial Intelligence) можна визначити як сукупність теоретичних методів і фізичних обчислювальних пристроїв, завдання яких полягає у відтворенні розумних міркувань і дій, що мають на меті досягнення очікуваного або нового результату.

В даний час в області дослідження штучного інтелекту склалися два основних напрямки: семиотическое (символьне) - моделювання високорівневих процесів мислення людини, засноване на представленні знакових систем та використанні знань; нейрокібернетіческое (нейромережеве) - моделювання окремих низькорівневих структур мозку (нейронів) і алгоритмів їх роботи .

Звідси випливає, що науковий аспект проблеми штучного інтелекту стосується спроб пояснення його роботи і досліджує можливість побудови загальних алгоритмів його функціонування. Прикладний аспект ІІ включає в себе комп'ютерне рішення різноманітних завдань, що не мають явного алгоритмічного рішення, або багатоваріантних завдань типу "А що якщо ...", тобто завдань з нечіткими цілями і нечіткою логікою. При цьому використовуються "людські" способи вирішення таких завдань, тобто імітування ситуації, коли таке завдання вирішує людина [8].

У 1950-х рр. з'явилися роботи Н. Вінера, А. Ньюелла, Г. Сайман та І. Шоу, що досліджували суть процесів вирішення різних завдань. Результатами стали алгоритми, комп'ютерна програма "Логік-теоретик", призначена для доведення теорем в численні висловів, і програма "Загальний вирішувач завдань". Ці роботи поклали початок першого етапу досліджень в галузі штучного інтелекту, пов'язаного з розробкою алгоритмів і програм для вирішення завдань на основі застосування різноманітних евристичних методів. На відміну від алгоритмічних методів, що дозволяють проводити формальну верифікацію правильності, евристичні методи розв'язання задачі розглядаються як властиві людському мисленню взагалі , для якого характерно виникнення інтуїтивних здогадок про шляхи вирішення завдання.

Таким чином, спільним завданням використання штучного інтелекту є побудова комп'ютерної інтелектуальної системи, яка мала б рівнем ефективності рішень неформалізованих завдань, порівнянним з людським або перевершує його. На рис. 9.1 показана функціональна структура такої системи. В якості високорівневого критерію інтелектуальності запропонований уявний експеримент, відомий як "тест Тьюрінга", запропонований Аланом Тьюрінгом в 1950 р в статті "Обчислювальні машини й розум" (Computing machinery and intelligence) для перевірки, чи є комп'ютер "розумним" в людському сенсі слова .

Функціональна структура використання системи штучного інтелекту

Рис. 9.1. Функціональна структура використання системи штучного інтелекту [1]

Області застосування методів штучного інтелекту надзвичайно широкі:

  • • докази неформальних теорем і вирішення завдань з нечіткою логікою;
  • • теорія ігор, дослідження ігрових ситуацій і можливості синтезу рішень (теорія і практика комп'ютерних шахів);
  • • розпізнавання образів (символів, текстів, мови, зображень і т.д.) з метою пошуку, обробки та адаптації;
  • • адаптивне програмування;
  • • імітація творчої діяльності - твір літературних текстів, віршів, музики;
  • • обробка і трансформація даних на природних мовах, машинний переклад;
  • • машинне зір, побудова віртуальної реальності;
  • • навчаються системи на базі нейромереж;
  • • управляючі системи та робототехніка (автомобілебудування, авіація, космонавтика, людиноподібні багатофункціональні роботи);
  • • побудова спеціалізованих інформаційних систем для підтримки бізнесу.

Клас технологій і систем, створених на базі таких принципів і призначених для підтримки прийняття ділового рішення в умовах розвитку невизначеності, став широко застосовуватися в бізнесі і отримав назву "системи інтелектуального аналізу даних" (Business Intelligence). Вперше цей термін був введений в обіг аналітиками "Gartner" наприкінці 1980-х рр. як пользователецентріческій процес, який включає в себе доступ до інформації і її дослідження, аналіз, вироблення інтуїції і розуміння, які ведуть до поліпшеного і неформального прийняття рішень. Пізніше, в 1996 р з'явилося уточнення - це інструменти для аналізу даних, побудови звітів і запитів, які можуть допомогти бізнес-користувачам подолати складнощі з обробкою, інтерпретацією і поданням даних для того, щоб синтезувати з них значиму інформацію. Ці інструменти в сукупності потрапляють в категорію, звану "інструменти бізнес-інтелекту" (Business Intelligence Toolware) [2].

Сьогодні категорії BI-продуктів включають в себе: В1-інструменти та BI-додатки. Виділяють такі види В1-інструментів:

  • • генератори запитів і звітів (Query / Report Generator - QRG);
  • • розвинені BI-інструменти - насамперед інструменти оперативної аналітичної обробки даних (On-line Analytical Processing - OLAP);
  • • корпоративні BI-набори (Enterprise BI Suites - EBIS) різної конфігурації, що вбудовуються в ERP-системи;
  • • BI-платформи.

Багатовимірні OLAP-сервери, а також реляційні OLAP-механізми є BI-інструментами та інфраструктурою для BI-платформ, на базі яких розробляються різноманітні додатки з "замовними" користувача інтерфейсами. Зазначені інструменти застосовуються для доступу до даних, їх багатовимірного і багатофакторного аналізу і генерації звітів за даними, які найчастіше розташовуються в різних вітринах (оперативних складах), базах або сховищах даних. Як приклад BI-додатки можна вказати ІС (підсистему) підтримки діяльності керівника (Executive Support System - ESS). Зазвичай BI-додатки орієнтовані конкретні важливі функції організації, такі, як аналіз тенденцій ринку, оцінка ризиків, аналіз і прогноз продажів, планування бюджету та т.п. Вони можуть застосовуватися і більш широко: для побудови збалансованих систем показників (ССП) (Balanced Scorecard System) або управління ефективністю підприємства в цілому (Enterprise Perfomance Management). На рис. 9.2 показаний приклад загальної корпоративної архітектури BI-архітектури.

Методи та системи інтелектуального аналізу даних, побудовані на базі нейронних самообучающихся мереж, знаходять різноманітне застосування при створенні сучасних ІС. Це великий клас систем, архітектура яких має деяку аналогію з побудовою нервової тканини з нейронів. В одній з найбільш поширених архітектур - багатошаровому персептрони зі зворотним поширенням помилки - імітується робота нейронів у складі ієрархічної мережі, де кожен нейрон більш високого рівня з'єднаний своїми входами з виходами нейронів нижчого шару.

Приклад загальної корпоративної В1-архітектури

Рис. 9.2. Приклад загальної корпоративної В1-архітектури

На нейрони самого нижнього шару подаються значення вхідних параметрів, на основі яких потрібно приймати якісь рішення, прогнозувати розвиток ситуації і т.д. Ці значення розглядаються як сигнали, що передаються в наступний шар, ослабляючись або посилюючись в залежності від числових значень (ваг), приписуваних міжнейронного зв'язку. У результаті на виході нейрона самого верхнього шару виробляється деяке значення, яке розглядається як відповідь - реакція всієї мережі на введені значення вхідних параметрів.

Схема інтелектуальної самонавчальної підсистеми

Рис. 9.3. Схема інтелектуальної самонавчальної підсистеми

Для того щоб мережу можна було застосовувати в подальшому, її колись треба "натренувати" на отриманих раніше даних, для яких відомі і значення вхідних параметрів, і правильні відповіді на них. "Тренування" полягає в підборі ваг міжнейронних зв'язків, що забезпечують найбільшу близькість відповідей мережі до відомих правильних відповідей. На рис. 9.3 наведена схема "інтелектуальної самонавчальної підсистеми", яка може бути використана у складі експертної, діагностичної, пошукової та інших подібних систем. Програма роботи "запускає" набір початкових даних, граничних умов і приблизне умова виходу з ітераційної ланцюга. Ці параметри пов'язані з наборами відомих ситуацій і відомими рішеннями. Нейронна мережа аналізує дані, виявляє кореляції, а потім вибирає набори найбільш ймовірних рішень. Цей набір утворює початкову модель. Далі параметри варіюються і додаються нові дані і правила, що генеруються за допомогою блоку евристики. Коли перебір можливих значень не приводить до поліпшення моделі, спрацьовує умова видачі остаточного прогнозу.

Останнім часом активно розвиваються еволюційні алгоритми, які передбачають створення деяких популяцій програм, їх навчання, мутації, схрещування (обмін частинами програм) і тестування на виконанні цільової завдання. Програми, що працюють найкраще, виживають, і після безлічі поколінь виходить найбільш ефективна програма. Досить ефективні методи створення інтелектуальних пошукових та інформаційних систем з використанням технологій активних агентів (Multi-Agent System), які діють в інформаційному просторі, інтерпретуючи поставлену задачу в залежності від умов і результатів пошуку. Під агентом розуміється програмна або програмно-апаратна сутність, здатна діяти в інтересах досягнення цілей, поставлених перед ним користувачем. Рівень інтелектуальності агента можна оцінити як його здатність використовувати "старі" і будувати "нові" знання для виконання поставленого завдання в заздалегідь невідомих йому ситуаціях і проблемних областях, де оцінюваний агент застосовується як активний вирішувач завдань. На рис. 9.4 представлена схема система інтелектуальної підтримки прийняття рішення на основі технології мультиагентних систем.

Вже розпочато перші проекти з моделювання на комп'ютері реалій людського мозку. Так, проект IBM Blue Brain ставить мету навчитися до 2010 р модельно симулювати роботу тій частині мозку, яка відповідає за сприйняття, моторні функції, просторова уява, мова і свідомість. За кількістю елементів і швидкості обчислень людський мозок поки ще попереду, але якщо і далі буде діяти закон Мура, то недовго залишилося до того часу, коли здатності штучного інтелекту зрівняються з людськими можливостями.

Схема системи інтелектуальної підтримки прийняття рішення на основі технології мультиагентних систем

Рис. 9.4. Схема системи інтелектуальної підтримки прийняття рішення на основі технології мультиагентних систем [2]

Схема системи інтелектуальної підтримки прийняття рішення на основі технології мультиагентних систем (продовження)

Рис. 9.4. Схема системи інтелектуальної підтримки прийняття рішення на основі технології мультиагентних систем (продовження)

  • [1] Див .: Морозов, Μ. Н. Системи штучного інтелекту / Μ. Н. Морозов. [Електронний ресурс] Режим доступу: marstu.mari.ru:8101/mmlab/ home / AI / index.html.
  • [2] Див .: Парне, Г. П. Застосування технології багатоагентних систем інтелектуальної підтримки прийняття рішення / Г. П. Чекин, С. Г. Чекин // Системотехніка. - 2003. - № 1. [Електронний ресурс] Режим доступу: systecb.miem.edu.ru/2003/nl/Chekinov.htm.
 
Якщо Ви помітили помилку в тексті позначте слово та натисніть Shift + Enter
< Попередня   ЗМІСТ   Наступна >
 
Дисципліни
Агропромисловість
Аудит та Бухоблік
Банківська справа
БЖД
Географія
Документознавство
Екологія
Економіка
Етика та Естетика
Журналістика
Інвестування
Інформатика
Історія
Культурологія
Література
Логіка
Логістика
Маркетинг
Медицина
Нерухомість
Менеджмент
Педагогіка
Політологія
Політекономія
Право
Природознавство
Психологія
Релігієзнавство
Риторика
Соціологія
Статистика
Техніка
Страхова справа
Товарознавство
Туризм
Філософія
Фінанси
Пошук