Шпаргалка по искусственному интеллекту и экспертным системам

Работа добавлена:






Шпаргалка по искусственному интеллекту и экспертным системам на http://mirrorref.ru

1.История развития искусственного интеллекта (время и место зарождения понятия искусственный интеллект, первые направления развития искусственного интеллекта)

Искусственный интеллект (ИИ, англ. Artificial intelligence, AI) — наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами.

Можно считать, что история искусственного интеллекта начинается с момента создания первых ЭВМ в 40-х г.г. С появлением электронных вычислительных машин, обладающих высокой (по меркам того времени) производительностью, стали возникать первые вопросы в области искусственного интеллекта: возможно ли создать машину, интеллектуальные возможности которой были бы тождественны интеллектуальным возможностям человека (или даже превосходили возможности человека).

Следующим этапом в истории искусственного интеллекта являются 50-е годы, когда исследователи пытались строить разумные машины, имитируя мозг. Эти попытки оказались безуспешными по причине полной непригодности, как аппаратных, так и программных средств. В 1956 г. состоялся семинар в Стэнфордском университете (США), где был впервые предложен термин искусственный интеллект –artificial intelligence.

60-е года в истории искусственного интеллекта отметились попытками отыскать общие методы решения широкого класса задач, моделируя сложный процесс мышления. Разработка универсальных программ оказалась слишком трудным и бесплодным делом. Чем шире класс задач, которые может решать одна программа, тем беднее оказываются ее возможности при решении конкретной проблемы. В этот период началось зарождение эвристического программирования.

Исторически сложились три основных направления в моделировании ИИ. В рамках первого подхода объектом исследований являются структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Необходимыми этапами исследований в этом направлении являются построение моделе й на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование моделей и т. д.

Второй подход в качестве объекта исследования рассматривает ИИ. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью работ в этом направлении является создание алгоритмического и программн ого обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека.

Наконец, третий подход ориентирован на создание смешанных человеко-машинных, или, как еще говорят, интерактивных интеллектуальных систем, на симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих и сследованиях является оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

2. Интеллектуальные информационные системы (характеристика, классификация)

Интеллектуальная информационная система (ИИС) — это один из видовавтоматизированных информационных систем, иногда ИИС называют системой, основанных на знаниях. ИИС представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи: осуществление поддержки деятельности человека ипоиска информации в режиме продвинутого диалога наестественном языке.

Классификация ИИС

• Экспертные системы

• Собственноэкспертные системы (ЭС)

• Интерактивные баннеры (web + ЭС)

Вопросно-ответные системы (в некоторых источниках «системы общения»)

• Интеллектуальные поисковики (например, система Старт)

Виртуальные собеседники

ИИС могут размещаться на каком-либо сайте, где пользователь задает системе вопросы на естественном языке (если это вопросно-ответная система) или, отвечая на вопросы системы, находит необходимую информацию (если это экспертная система). Но, как правило, ЭС в интернете выполняют рекламно-информационные функции (интерактивные баннеры), а серьезные системы (такие, как, например, ЭС диагностики оборудования) используются локально, так как выполняют конкретные специфические задачи.

Интеллектуальные поисковики отличаются от виртуальных собеседников тем, что они достаточно безлики и в ответ на вопрос выдают некоторую выжимку из источников знаний (иногда достаточно большого объема), а собеседники обладают «характером», особой манерой общения (могут использоватьсленг,ненормативную лексику), и их ответы должны быть предельно лаконичными (иногда даже просто в форме смайликов, если это соответствует контексту :-)).

Для разработки ИИС раньше использовались логические языки (Пролог,Лисп и т. д.), а сейчас используются различныепроцедурные языки. Логико-математическое обеспечение разрабатывается как для самих модулей систем, так и для состыковки этих модулей. Однако на сегодняшний день не существует универсальной логико-математической системы, которая могла бы удовлетворить потребности любого разработчика ИИС, поэтому приходится либо комбинировать накопленный опыт, либо разрабатывать логику системы самостоятельно. В области лингвистики тоже существует множество проблем, например, для обеспечения работы системы в режиме диалога с пользователем на естественном языке необходимо заложить в систему алгоритмы формализации естественного языка, а эта задача оказалась куда более сложной, чем предполагалось на заре развития интеллектуальных систем. Еще одна проблема — постоянная изменчивость языка, которая обязательно должна быть отражена в системах искусственного интеллекта.

3. Экспертные системы. Основные свойства. Структура экспертной системы.

Отличие статической от динамической системы

Экспе́ртная систе́ма (ЭС,англ. expert system) — компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации.

Выделяют два типа экспертных систем: статические и динамические. Статические экспертные системы используются в тех приложениях, где можно не учитывать изменения окружающего мира, происходящие за время решения задачи. Первые экспертные системы, получившие практическое использование, были статическими. Динамические экспертные системы по сравнению со статическими содержат дополнительно два следующих компонента: подсистему моделирования внешнего мира и подсистему взаимодействия с внешним миром.

На рисунке ниже представлена каноническая структура экспертной системы динамического типа:

4. Целесообразность использования экспертных систем для решения поставленной задачи (условия)

Целесообразность разработки и использования экспертных систем для экономических структур в таких областях как: торги на фондовой бирже, кредит- ный анализ, управление рисками, построение портфелей кредитов и инвестиций, авто- матизация аудита и т.д. Так же ЭС могут предсказывать изменения на финансовом рынке. Примером использования служит экспертная система S&PCBRS, которая была разработана для оценки рейтинга ценных бумаг по данным о фирмах эмитентах; фор- мирования корректной рейтинговой шкалы. Вероятность правильного предсказания рейтинга экспертной системы S&PCBRS составляет 84%. Данная система введет отбор данных о фирмах эмитентах и формирование обучающего материала; выбор нейроклас- сификатора, его обучение и тестирование; сравнение с оценками экспертов.

В заключении можно отметить, что увеличение объема информации, поступаю- щей непосредственно к руководителям, усложнение решаемых задач, необходимость учета большого числа взаимосвязанных и взаимозависимых факторов и быстроменяю- щейся обстановки все более настоятельно требуют использовать информационные тех- нологии в процессе принятия решений в различных экономических структурах. Данной технологией являются экспертные системы в экономической области более практична и дает лучшие решения, чем обычные системы принятия решений.

5. Классификация экспертных систем (по решаемой задача, по типу ЭВМ, по связи с реальным временем, по степени интеграции с другими программами)

1.Классификация по решаемой задаче

• Интерпретация данных. Процесс определения смысла данных, результаты которого должны быть согласованными и корректными.

  • Диагностика.Процесс соотнесения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе. Неисправность — это отклонение от нормы.
  • Мониторинг. Основная задача мониторинга — непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы.
  • Проектирование. Проектирование состоит в подготовке спецификаций на создание «объектов» с заранее определенными свойствами.
  • Прогнозирование.Прогнозирование позволяет предсказывать последствия некоторых событий или явлений на основании анализа имеющихся данных.
  • Планирование. Под планированием понимается нахождений планов действии, относящихся к объектам, способным выполнять некоторые функции.
  • Обучение. Под обучением понимается использование компьютера для обучения какой-то дисциплине или предмету.
  • Управление. Под управлением понимается функция организованной системы, поддерживающая определенный режим деятельности.
  • Поддержка принятия решений. Поддержка принятия решения — это совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающими процесс принятия решения.

В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на системы, решающие задачи синтеза. Основное отличие задач анализа от задач синтеза заключается в том, что если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально не ограничено и строится из решений компонент или под-проблем. Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, планирование, управление. Комбинированные: обучение, мониторинг, прогнозирование.

2. Классификация по связи с реальным временем

Статические ЭС разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени.

Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.

Динамические ЭСработают в сопряжении с датчиками объектов в режиме реального времени с непрерывной интерпретацией поступающих в систему данных.

3. Классификация по типу ЭВМ

ЭС для уникальных стратегически важных задач на суперЭВМ

• ЭС на ЭВМ средней производительности

• ЭС на символьных процессорах и рабочих станциях

• ЭС на мини- и супермини ЭВМ

• ЭС на ПК

4. Классификация по степени интеграции с другими программами

  • Автономные ЭС работают непосредственно в режиме консультаций с пользователем для специфически «экспертных» задач, для решения которых не требуется привлекать традиционные методы обработки данных (расчеты, моделирование и т. д.).
  • Гибридные ЭС представляют программный комплекс, агрегирующий стандартные пакеты прикладных программ и средства манипулирования знаниями. Это может быть интеллектуальная надстройка над пакетами прикладных программ или интегрированная среда для решения сложной задачи с элементами экспертных знаний.

6. Коллектив разработчиков экспертной системы (состав, взаимодействие, зона ответственности)

Под коллективом разработчиков (КР) будем понимать группу специалистов, ответственных за создание ЭС. В состав КР входят по крайней мере три человека — пользователь, эксперт и инженер по знаниям. На рисунке не видно программиста. Таким образом, минимальный состав КР включает четыре человека; реально же он разрастается до 8-10 человек. Численное увеличение коллектива разработчиков происходит по следующим причинам: необходимость учета мнения нескольких пользователей, помощи нескольких экспертов; потребность как в проблемных, так и системных программистах. На Западе в этот коллектив дополнительно традиционно включают менеджера и одного технического помощника.

При отсутствии профессионального менеджера руководителем КР, участвующим во всех стадиях разработки, является инженер по знаниям, поэтому к его квалификации предъявляются самые высокие требования. В целом уровень и численность группы зависят от характеристик поставленной задачи.

Для обеспечения эффективности сотрудничества при формировании КР должны учитываться психологические свойства участников. Ниже приведены два аспекта характеристик членов КР: 1 — психофизиологический, 2 — профессиональный.

Пользователь:

1. К пользователю предъявляются самые слабые требования, поскольку его не выбирают. Он является в некотором роде заказчиком системы. Желательные качества:

а) дружелюбие; б) умение объяснить, что же он хочет от системы;

в) отсутствие психологического барьера к применению вычислительной техники;

г) интерес к новому.

2. Необходимо, чтобы пользователь имел некоторый базовый уровень квалификации, который позволит ему правильно истолковать рекомендации ЭС. Кроме того, должна быть полная совместимость в терминологии интерфейса к ЭС с той, которая привычна и удобна для пользователя.

Эксперт:

1. Эксперт — чрезвычайно важная фигура в группе КР. В конечном счете, его подготовка определяет уровень компетенции базы знаний. Желательные качества:

а) доброжелательность;

б) готовность поделиться своим опытом;

в) умение объяснить (педагогические навыки);

г) заинтересованность в успешности разработки. Возраст эксперта обычно почтенный, что необходимо учитывать всем членам группы. Часто встает вопрос о количестве экспертов. Поскольку проблема совмещения подчас противоречивых знаний остается открытой, обычно с каждым из экспертов работают индивидуально, иногда создавая альтернативные базы.

2. Помимо безусловно высокого профессионализма в выбранной предметной области, желательно знакомство эксперта с популярной литературой по искусственному интеллекту и экспертным системам.

Программист:

1. Желательны следующие качества:

а) общительность;

б) способность отказаться от традиционных навыков и освоить новые методы;

в) интерес к разработке.

2. Программисты в КР должны иметь опыт и навыки разработки программ. Обязательно знакомство с основными структурами представления знаний и механизмами вывода, состоянием отечественного и мирового рынка программных продуктов для разработки ЭС и диалоговых интерфейсов.

Инженер по знаниям:

1. Развитое логическое мышление и умение оперировать сложными формальными структурами, широта взглядов и интересов чувство юмора, обаяние и т.п.

Пол. Психологи утверждают, что мужчины более склонны к широкому охвату явлений и в среднем у них выше аналитичность. При общении с экспертами, инженер по знаниям - мужчина вызывает более высокую мотивацию успешности со стороны эксперта-женщины. С другой стороны у женщин выше наблюдательность к отдельным деталям объектов.

Интеллект. Специалист в области искусственного интеллекта должен стремиться к максимальным оценкам по тестам как вербального, так и невербального интеллекта.

Стиль общения. Инженер по знаниям «задает тон» в общении с экспертом, он ведет диалог, и от него в конечном счете зависит его продуктивность. Можно выделить два стиля общения: деловой (или жесткий) и дружеский (или мягкий, деликатный).

2. Следует учитывать, что инженер необходимы различные навыки и умения для грамотного и эффективного проведения процессов извлечения, концептуализации и формализации знаний. Инженер по знаниям имеет дело со всеми формами знаний:

Z1 (знания в памяти)> Z2 (знания в книгах)> Z3 (поле знаний)> Z4 (модель знаний)> Z5 (база знаний).

Z1 требует от инженера знакомства с элементами когнитивной психологии и способами репрезентации понятий и процессов в памяти человека, с двумя основными механизмами мышления — логическим и ассоциативным, с такими способами активизации мышления как игры, мозговой штурм и др., с различными моделями рассуждений.

Z2 требует широкую общенаучную подготовку инженера; знакомство с методами реферирования и аннотирования текстов; владение навыками быстрого чтения, а также текстологическими методами извлечения знаний.

Z3 требует квалифицированного знакомства с методологией представления знаний, системным анализом, теорией познания, аппаратом многомерного шкалирования, кластерным и факторным анализом.

Z4 требует знание аппарата мат. логики и современных языков представления знаний. Модель знаний разрабатывается на основании результатов глубокого анализа инструментальных средств разработки ЭС и имеющихся «оболочек». Кроме того, инженеру по знаниям необходимо владеть методологией разработки ЭС, включая методы быстрого прототипирования.

Z5 требует овладение практическими навыками работы на ЭВМ и, возможно, одним из языков программирования.

7. Этапы разработки экспертных систем. Прототипирование

На этапе идентификации разработчик и эксперт определяют существенные особенности задачи: сама задача, участники процесса разработки, требуемые ресурсы, а также цели и задачи создания экспертной системы.

На этапе концептуализации инженер знаний и эксперт решают, какие понятия, отношения и механизмы управления нужны для описания решения задач в избранной области. На этой стадии обычно требуется рассмотреть вопрос о гранулярности, т. е. какой степенью подробности нужно представлять знания.

Формализация состоит в выражении ключевых понятий и отношений некоторым формальным способом, обычно в рамках схемы, диктуемой языком построения экспертных систем.

На этапе реализации разработчик превращает формализованные знания в работающую компьютерную программу. Написание программы требует содержания, формы и согласования. Содержание берется из предметных знаний, сделанных явными в ходе формализации, т. е. структур данных, правил вывода и стратегий управления, необходимых для решения задачи. Форма задается языком, выбранным для разработки системы. Согласование включает в себя комбинирование и реорганизацию различных порций знаний с целью устранить глобальные неувязки между спецификациями структур данных, правил и схем управления.

Тестирование включает оценивание качества работы и полезности программы-прототипа и ее пересмотр, если это необходимо. Эксперт обычно оценивает прототип и помогает разработчику его пересмотреть. Как только прототип испытан на нескольких примерах, его следует протестировать на многих задачах, чтобы оценить качество его работы и его полезность. При таком оценивании могут обнаружиться недостатки схемы представления, например отсутствие нужных понятий или отношений, неправильный уровень детализации знаний или неудобные механизмы управления. Эти недостатки могут заставить разработчиков заново пройти через разные этапы разработки, переформулировать понятия, уточнить правила вывода и пересмотреть схему управления.

8. Средства построения экспертных систем

К инструментальным средствам построения экспертных систем относятся:

- традиционные языки программирования. В эту группу входят языки программирования (С, С++, Basic, Fortranи др.), ориентированные на численные методы и слабо подходящие для работы с символьными и логическими данными. Создание систем искусственного интеллекта на основе этих языков требует большой работы программистов. Достоинство языков – высокая эффективность, связанная с их близостью к традиционной машинной архитектуры.

-языки искусственного интеллекта предназначены для решения задач искусственного интеллекта. Это ЛИСП, ПРОЛОГ, РЕФАЛ и др. Богаты возможности по работе с символьными и логическими данными, что важно для задач искусственного интеллекта. Недостаток – непримиримость в создании гибридных ЭС.

-специальный программный инструментарий. Это библиотеки и надстройки над языком искусственного интеллекта ЛИСП: KEE, KRL, FRLи др., позволяющие работать с заготовками ЭС на более высоком уровне, чем это возможно в языках искусственного интеллекта.

-оболочки.Под оболочками понимают «пустые» версии существующих экспертных систем, т.е. готовые ЭС без базы знаний. Например, оболочкаEMYCIN (Empty MYCIN)представляет собой незаполненную ЭСMYCIN.Достоинство оболочек в том, что они не требуют работы программистов для создания готовой ЭС. Требуется только специалист в предметной области для заполнения базы знаний.

10. Соотнесение понятий: информация, данные, знания и контент (определение и взаимосвязь). Классификация знаний

Основные понятия данных, информации, знаний.

К базовым понятиям, которые используются в экономической информатике, относятся: данные, информация и знания. Эти понятия часто используются как синонимы, однако между этими понятиями существуют принципиальные различия.

Термин данные происходит от слова data - факт, а информация (informatio) означает разъяснение, изложение, т.е. сведения или сообщение.

Данные - это совокупность сведений, зафиксированных на определенном носителе в форме, пригодной для постоянного хранения, передачи и обработки. Преобразование и обработка данных позволяет получить информацию.

Информация - это результат преобразования и анализа данных. Отличие информации от данных состоит в том, что данные - это фиксированные сведения о событиях и явлениях, которые хранятся на определенных носителях, а информация появляется в результате обработки данных при решении конкретных задач. Например, в базах данных хранятся различные данные, а по определенному запросу система управления базой данных выдает требуемую информацию.

Существуют и другие определения информации, например, информация – это сведения об объектах и явлениях окружающей среды, их параметрах, свойствах и состоянии, которые уменьшают имеющуюся о них степень неопределенности, неполноты знаний.

Знания – это зафиксированная и проверенная практикой обработанная информация, которая использовалась и может многократно использоваться для принятия решений.

Знания – это вид информации, которая хранится в базе знаний и отображает знания специалиста в конкретной предметной области. Знания – это интеллектуальный капитал.

Формальные знания могут быть в виде документов (стандартов, нормативов), регламентирующих принятие решений или учебников, инструкций с описанием решения задач.

Неформальные знания – это знания и опыт специалистов в определенной предметной области.

Необходимо отметить, что универсальных определений этих понятий (данных, информации, знаний) нет, они трактуются по-разному.

Принятия решений осуществляются на основе полученной информации и имеющихся знаний.

Контент - любое информационное наполнение ресурса (к примеру, веб-сайта) - вся информация, которую пользователь сможет загрузить на диск компьютера, соблюдая соответствующие законности, в основном для личного пользования.

Принятие решений – это выбор наилучшего в некотором смысле варианта решения из множества допустимых на основании имеющейся информации.

Взаимосвязь данных, информации и знаний в процессе принятия решений представлена на рисунке.

Рис. 1.

Для решения поставленной задачи фиксированные данные обрабатываются на основании имеющихся знаний, далее полученная информация анализируется с помощью имеющихся знаний. На основании анализа, предлагаются все допустимые решения, а в результате выбора принимается одно наилучшее в некотором смысле решение. Результаты решения пополняют знания.

В зависимости от сферы использования информация может быть различной: научной, технической, управляющей, экономической и т.д. Для экономической информатики интерес представляет экономическая информация.

11. Инженерия знания. Структура инженерии знаний. Семиотика и её составляющие. Пирамида знаний

ИЗ— раздел (дисциплина) инженерии, направленный на внедрение знаний в компьютерные системы для решения сложных задач, обычно требующих богатого человеческого опыта.»

В настоящее время это также предполагает создание и обслуживание подобных систем (Кендэл, 2007). Это также тесно соприкасается с разработкой программного обеспечения и используется во многих информационных исследованиях, например таких, как исследования искусственного интеллекта, включая базы данных, сбор данных, экспертные системы, систем поддержки принятия решений и географические информационные системы. ИЗ связана с математической логикой, также используемой в разных научных дисциплинах, например в социологии где «подопытными» являются люди, а цели исследований — понимание, как работает человеческая логика на примере взаимоотношений в обществе.

Семио́тика, или семиоло́гия (греч. σημειωτική, отдр.-греч. σημεῖον — «знак, признак»), — наука, исследующая свойствазнаков изнаковых систем. СогласноЮ. М. Лотману, под семиотикой следует понимать науку о коммуникативных системах и знаках, используемых в процессе общения[1].В семиотике принято выделять тройственную структурузнака. С одной стороныобозначающее (имя), а с другой стороныобозначаемое (референт), которое в свою очередь распадается насмысл (Интенсионал,десигнат,сигнификат,коннотация) изначение (Экстенсионал,денотат). В идеалистической философииплатонизма господствовало представление, чтосмысл (в качествеидеи) предшествуетзнаку и остается постоянным при всех изменениях. Особенностью тройственной структуры является тот факт, что знак может обладать смыслом, но быть лишенным значения. Таковыми являются фантастические образы (например,кентавр), у которых нет соответствий в реальном мире. Вместе с тем, семиотика нередко затрагивает философские (онтологические) вопросы бытия предметов: есть ли денотат у чисел, моральных категорий, теоретических терминов?

Пирамида знания (уровни методологии)

1)Философский

2)Общенаучный

3)Конкретно-научный

4)Технологиеский

12. Модели представления знания. Продукционные модели

Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа «Если (условие), то (действие)».

Под «условием» (антецедентом) понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под «действием» (консеквентом)— действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия и терминальными или целевыми, завершающими работу системы).

Чаще всего вывод на такой базе знаний бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения — к данным). Данные — это исходные факты, хранящиеся в базе фактов, на основании которых запускается машина вывода или интерпретатор правил, перебирающий правила из продукционной базы. знаний (см. далее).

Продукционная модель чаще всего применяется в промышленных экспертных системах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода.

Имеется большое число программных средств, реализующих продукционный подход (язык OPS 5; «оболочки» или «пустые» ЭС —EXSYS Professional, Kappa,ЭКСПЕРТ; ЭКО, инструментальные системы ПИЭС [Хорошевский, 1993]и СПЭИС [Ковригин, Перфильев, 1988] и др.), а также промышленных ЭС на его основе (например, ЭС, созданных средствами G2 [Попов, 1996]) и др.

13. Модели представления знания. Семантические сети

Знаниями можно называть описания отношений между абстрагированными понятиями и сущностями, являющимися конкретными объектами реального мира.

Понятия и отношения между ними можно описать сетью, состоящей из узлов и дуг. Узлы в такой сети выражают сущности и понятия, а дуги являются описаниями их отношений; все узлы и дуги могут быть снабжены метками, которые показывают, что именно они описывают. Подобного рода формализм представления знаний получил название семантической сети. На рис.1 представлен пример данного метода представления. Этот рисунок, описывает ситуацию, когда под некоторый проект заказываются детали и должна быть выплачена стоимость этих деталей поставщику.

Название «семантическая сеть» отражает не только возможность получения определенного формализма, как это имеет место в продукционных системах, оно охватывает все то, что описывается, как рассмотрено выше, сетью отношений сущностей и понятий. Семантические сети — это общее название методов описания, использующих сети, ими же называют один из способов представления знаний. Характерная особенность семантической сети — в наглядности знаний как системы. Каждое отдельное знание рассматривается как некое отношение между сущностями и

понятиями, и формально, так же как и в продукционных системах, определенные заранее и уже существующие внутри системы знания можно наращивать

независимо с сохранением их модульности. В то же время все знания, относящиеся к одинаковым сущностям и понятиям, могут быть изображены в виде отношений между различными узлами, описывающими эти сущности, и это дает основание говорить о

легкости понимания такого представления. На основе этих сетей осуществляются выводы, однако для этого необходимы специальные алгоритмы вывода. В продукционных системах выводы определяются для ограниченного формализма ЕСЛИ — ТО, поэтому алгоритмы вывода также формализованы и наряду со своей

простотой они достаточно точны. Поскольку семантические сети йвляются собирательным названием систем представления, использующих сети, нет смысла

определять для них специфические алгоритмы выводов, и потому сравнивать сети с другими способами представления весьма трудно. Выводы, которые достаточно тщательно не проверены, таят в себе угрозу создания противоречий. Следовательно, в семантических сетях необходимо больше, чем в продукционных системах, уделить внимания таким обстоятельствам, как устранение противоречий. Сама система такими возможностями не обладает, и потому во многих случаях эта функция возлагается на человека.

Сходство и различие способов представления. Действиях выражение ОТЕЦ(ТАРО, ХАНАКО), которое описано предикатной формулой, соответствует отношению ТАРО — ОТЕЦ — ХАНАКО в семантической сети. В общем случае каждую дугу семантической сети можно задать предикатами как отношения между сущностями, которые описывают узлы на концах дуги. Возможность описания некоторого представления, полученного одним из способов, другим способом означает, что эти представления являются равнозначными. Но эта попарная равнозначность отношений вовсе не означает, что такие способы представления, как продукционные правила, логика предикатов, семантические сети, позволяют получить равнозначные системы представлений. Это объясняется тем, что зачастую представление одной формулы нельзя выразить другой формулой, а также тем, что различны сами идеи и теоретические системы, находящиеся в основе этих формул, и это оказывает свое влияние на методы выводов. Из общих соображений следует,

что теоретический фундамент у продукционных пра-вил и семантических сетей довольно слабый по сравнению с логикой предикатов. И от того, что он слаб, нет

необходимости упорно отстаивать принятые в них формализмы и можно их видоизменять. Тем не менее описательная мощность логики предикатов как единой системы формализмов представления знаний выше, чем у других систем. Это объясняется тем, что в логике предикатов можно в формулы свободно включать переменные, а в других методах это или совершенно невозможно или возможно в крайне ограниченной степени. Но даже при наличии таких расхождений все эти способы похожи один на другой в том отношении, что представляемые их формализмами знания немногокрасочны, и если проблема разрастается и усложняется, то эти способы уже не могут адекватно ей соответствовать. Большая проблема означает не просто количественный рост одинаковых формул, это совокупность

нескольких различающихся по свойствам согласованных и взаимосвязанных частных проблем. Для каждой частной проблемы используются присущие только ей

знания. При этом лучше всего провести декомпозицию множества знаний и подготовить источники знаний для каждой частной проблемы.

14. Модели представления знания. Фреймы

Термин фрейм (от английского frame, что означает «каркас» или «рамка») был предложен Маренном Минским, одним из пионеров ИИ, в 70-е годы для обозначения структуры знаний для восприятия пространственных сцен. Эта модель, как и семантическая сеть, имеет глубокое психологическое обоснование.

Фрейм — это абстрактный образ для представления некоего стереотипа восприятия.

В психологии и философии известно понятие абстрактного образа. Например, произнесение вслух слова «комната» порождает у слушающих образ комнаты: «жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6-20 м2». Из этого описания ничего нельзя убрать (например, убрав окна, мы получим уже чулан, а не комнату), но в нем есть «дырки» или «слоты» - это незаполненные значения некоторых атрибутов - например, количество окон, цвет стен, высота потолка, покрытие пола и др.

В теории фреймов такой образ комнаты называется фреймом комнаты. Фреймом также называется и формализованная модель для отображения образа.

Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных фактических ситуаций на основе поступающих данных. Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:

• фреймы-структуры, использующиеся для обозначения объектов и понятий (заем, залог, вексель);

• фреймы-роли (менеджер, кассир, клиент);

• фреймы-сценарии (банкротство, собрание акционеров, празднование именин);

• фреймы-ситуации (тревога, авария, рабочий режим устройства) и др.

Традиционная структура фрейма может быть представлена как список свойств:

(ИМЯ ФРЕЙМА:

(имя 1-го слота: значение 1-го слота),

(имя 2-го слота: значение 2-го слота),

(имя n-го слота: значение n-го слота)).

В качестве значения слота может выступать имя другого фрейма, так образуются сети фреймов.

Важнейшим свойством теории фреймов является заимствование из теории семантических сетей — так называемое наследование свойств. И во фреймах, и в семантических сетях наследование происходит по АКО-связям (A-Kind-Of ~ это). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, то есть переносятся, значения аналогичных слотов.

Основным преимуществом фреймов как модели представления знаний является то, что она отражает концептуальную основу организации памяти человека, а также ее гибкость и наглядность.

15. Психологический аспект инженерии знаний (контактный слой, процедурный слой, когнитивный слой)

Процесс извлечения знаний - это длительная и трудоемкая процедура, в которой инженеру по знаниям, вооруженному специальными знаниями по когнитивной психологии, системному анализу, математической логике и пр., необходимо воссоздать модель предметной области, которой пользуются эксперты для принятия решения. Часто начинающие разработчики ЭС, желая упростить эту процедуру, пытаются подменить инженера по знаниям самим экспертом. По многим причинам это нежелательно.

Поскольку основной проблемой инженерии знаний является процесс извлечения знаний, инженеру по знаниям необходимо четко понимать природу и особенности этих процессов. Для того чтобы разобраться в природе извлечения знаний, выделим три основных аспекта этой процедуры :

А - {Al, A2, A3} - {психологический, лингвистический, гносеологический}.

Психологический аспект процесса извлечения знаний

Из трех аспектов извлечения знаний психологический - Al - является ведущим, поскольку он определяет успешность и эффективность взаимодействия инженера по знаниям (аналитика) с основным источником знаний - экспертом-профессионалом. Психологический аспект выделяется еще и потому, что извлечение знаний происходит чаще всего в процессе непосредственного общения разработчиков системы. А в общении психология является доминантной.

Общение, или коммуникация (от лат. communicatio -связь), - это междисциплинарное понятие, обозначающее все формы непосредственных контактов между людьми - от дружеских до деловых. Оно широко исследуется в психологии, философии, социологии, этологии, лингвистике, семиотике и других науках. Существует несколько десятков теорий общения, и единственное, в чем сходятся все авторы, - это сложность, многоплановость процедуры общения. Подчеркивается, что общение - не просто однонаправленный процесс передачи сообщений и w двухтактный обмен порциями сведений, а нерасчлененный процесс циркуляции информации, то есть совместный поиск истины.

Итак, общение есть процесс выработки новой информации, общей для общающихся людей и рождающей их общность. И хотя общение - первый вид деятельности, которым овладевает человек в онтогенезе, по-настоящему владеют культурой и наукой общения единицы.

Можно выделить такие структурные компоненты модели общения при извлечении знаний:

• участники общения (партнеры);

• средства общения (процедура);

• предмет общения (знания).

В соответствии с этой структурой выделим три "слоя" психологических проблем, возникающих при извлечении знаний:

Al = {Sll, S12, S13 } = {контактный, процедурный, когнитивный}.

16. Лингвистический аспект инженерии знаний («общий код», понятийная структура, словарь пользователя)

Лингвистический (A2) аспект касается исследований языковых проблем, так как язык — это основное средство общения в процессе извлечения знаний.

В инженерии знаний можно выделить три слоя лингвистических проблем:

А2 = {S21, S22, S23} - {«общий код», понятийная структура, словарь пользователя}.

«Общий код» (S21) включает изучение и управление процессом разработки специального промежуточного языка, необходимого для взаимодействия инженера по знаниям и эксперта.

Язык аналитикаVIсостоит из трех компонентов: общенаучной терминологии из его «теоретического багажа»; терминов предметной области из специальной литературы в период подготовки; бытового разговорного языка, которым пользуется аналитик.

Язык экспертаV2включает: общенаучную терминологию; специальную терминологию, принятую в предметной области; бытовой язык; неологизмы, т.е. его профессиональный жаргон.

Выработка общего кода начинается с выписыванием аналитиком всех терминов, употребляемых экспертом, и уточнения их смысла. Разработка общего кода заканчивается составлением словаря терминов предметной области с предварительной группировкой их по смыслу, то есть по понятийной близости (это уже первый шаг структурирования знаний). В дальнейшем этот общий код преобразуется в некоторую понятийную (семантическую) сеть.

Понятийная структура (S22)

Построение иерархической сети понятий, так называемой «пирамиды знаний», — важнейшее звено в проектировании интеллектуальных систем.

Большинство специалистов считают, что основная особенность естественного интеллекта и памяти в частности — это связанность всех понятий в некоторую сеть. Поэтому для разработки базы знаний и нужен не словарь, а «энциклопедия», в которой все термины объяснены в словарных статьях со ссылками на другие термины.

Таким образом, лингвистическая работа инженера по знаниям на данном слое проблем заключается в построении таких связанных фрагментов с помощью «сшивания» терминов. Такие структуры имеют важнейшее гносеологическое и дидактическое значение и для них используется специальный термин — онтологии.

Иерархия абстракций — это глобальная схема, которая может быть положена в основу концептуального анализа структуры знаний любой предметной области. Лингвистический эквивалент иерархии — иерархия понятий, которую необходимо построить в понятийной структуре, формируемой инженером по знаниям.

Словарь пользователя (S23). Лингвистические результаты, соотнесенные к слоям общего кода и понятийной структуры, направлены на создание адекватной базы знаний. Однако часто профессиональный уровень конечного пользователя не позволяет ему применить специальный язык предметной области в полном объеме.

Неожиданными для начинающих разработчиков являются проблемы формирования отдельного словаря для создания дружественного интерфейса с пользователем ЭС, исследуемые в слое S23. Необходимы специальные приемы, увеличивающие «прозрачность» и доступность системы. Для разработки пользовательского интерфейса требуется дополнительная доработка словаря общего кода с поправкой на доступность и «прозрачность» системы.

17. Методологический (гносеологический) аспект инженерии знаний. Гносеологическая цепочка. Историзм. Внутренняя согласованность. Системность. Объективность.

Гносеология-это раздел философии, связанный с теорией познания, или теорией отражения действительности в сознании человека. Гносеологический аспект извлечения знаний объединяет методологические проблемы получения нового научного знания, поскольку при создании БЗ эксперт часто впервые формулирует некоторые закономерности, до того момента составлявшие его личный опыт. Инженерия знаний дважды гносеологична – сначала действительность отражается в сознании эксперта, а затем деятельность и опыт эксперта интерпретируются сознанием инженера по знаниям, что служит основой для построения третьей интерпретации – поля знаний экспертной системы. Процесс познания направлен на создание внутренней репрезентации окружающего мира в сознании человека. Таким образом, мы имеем превращение экспертного знания и теоретического (книжного) опыта Z1 в поле знаний Z2, которое и есть материализация модели мира инженера по знаниям M2. При извлечении знаний аналитика интересует Z1 связанный с неканоническими индивидуальными знаниями экспертов, поскольку предметные области, требующие именно такого типа знаний наиболее восприимчивы к внедрению экспертных систем. Эти области называются эмпирическими, т.к. в них накоплены эмпирические факты и наблюдения, в то время как их обобщение вопрос будущего. Если инженер по знаниям извлекает фрагмент Z11, т.е. часть из системы знаний эксперта, то структура Z11 должна соответствовать структуре Z1, Z11 наиболее полно отражать Z1. Иногда эксперт порождает новые знания в ходе беседы с аналитиком.

Гносеологическая цепочка: факт - обобщенный факт - эмпирический закон - теоретический закон.

Не всегда удается дойти до последнего звена, но само стремление черезвычайно плодотворно. Подход согласуется со структурой знания, имеющего 2 уровня:

1.эмпирический (наблюдения, явления)

2.теоретический (абстракции, законы, обобщения)

Гносеологический аспект = {внутренняя согласованность, системность, объективность, историзм}

Внутренняя согласованность. ВС = {модальность, противоречивость, неполнота}

Модальность знания означает его существование в различных категориях. Оттенки модальности: эксперт знает что, думает что, хочет чтобы, считает что. Возможная противоречивость эмпирического знания – естественное следствие из основных законов диалектики и противоречия эти не всегда разрешаются в поле знаний. Неполнота знания связана с невозможностью полного описания предметной области.

Системность. Системно структурный подход к познанию ориентирует аналитика на рассмотрение предметной области с позиций закономерностей системного целого и взаимодействия составляющих его частей.

Объективность. Процесс познания субъективен, т.е. существенно зависит от особенностей самого познающего субъекта. Все свои усилия аналитик должен сосредоточить на понимании проблемы.

Историзм. Критерий связан с развитием. Познание настоящего - есть познание породившего его прошлого. Большинство экспертных систем дают горизонтальный срез знаний – без учета времени (в статике), инженер по знаниям должен учитывать как связь с прошлым, так и с будущим. Структура поля знаний и база знаний должны допускать подстройку и коррекцию, как в период разработки так и в эксплуатации.

Структура познания может быть представлена последовательностью этапов, описанных с позиций инженера по знаниям:

1) описание и обобщение фактов

2) установление логических и математических связей, дедукция и индукция законов

3) построение идеализированной модели

4) объяснение и предсказание явлений

18. Текстологические методы извлечения знаний (анализ учебников, анализ литературы, анализ документов). Алгоритм извлечения знаний из текста

Группа текстологических методов объединяет методы извлечения знаний, основанные на изучении специальных текстов из учебников, монографий, статей, методик и других носителей профессиональных знаний.

Задачу извлечения знаний из текстов можно сформулировать как задачу понимания и выделения смысла текста.

При этом можно выделить две такие смысловые структуры:

М1 — смысл, который пытался заложить автор, это его модель мира, и M2 — смысл, который постигает читатель, в данном случае инженер по знаниям, в процессе интерпретации I. При этом Г — это словесное одеяние М1, то есть результат вербализации V.

Компонентами научного текста Т являются: Наблюдение, Научные понятия, Субъективные взгляды, Общие места, Заимствования. [При извлечении знаний аналитику, интерпретирующему текст, приходится решать задачу декомпозиции этого текста на перечисленные выше компоненты для выделения истинно значимых для реализации базы знаний фрагментов.]

Различают микро- и макроконтекст. Микроконтекст — это ближайшее окружение текста. Так, предложение получает смысл в контексте абзаца, абзац в контексте главы и т. д. Макроконтекст — это вся система знаний, связанная с предметной областью (то есть знания об особенностях и свойствах, явно не указанных в тексте). Другими словами, любое знание обретает смысл в контексте некоторого метазнания.

Основными моментами понимания текста являются:

• Выдвижение предварительной гипотезы о смысле всего текста (предугадывание).

• Определение значений непонятных слов (то есть специальной терминологии).

• Возникновение общей гипотезы о содержании текста (о знаниях).

• Уточнение значения терминов и интерпретация отдельных фрагментов текста под влиянием общей гипотезы (от целого к частям).

• Формирование некоторой смысловой структуры текста за счет установления внутренних связей между отдельными важными (ключевыми) словами и фрагментами, а также за счет образования абстрактных понятий, обобщающих конкретные фрагменты знаний.

• Корректировка общей гипотезы относительно содержащихся в тексте фрагментов знаний (от частей к целому).

• Принятие основной гипотезы, то есть формирование М2

Центральными моментами процессаIявляются шаги 5 и 7, то есть формирование смысловой структуры или выделение «опорных», ключевых, слов или «смысловых вех», а также заключительное связывание «смысловых вех» в единую семантическую структуру.

Итак, семантическая структура текста образуется в сознании познающего субъекта с помощью знаний о языке, знаний о мире, а также общих (фоновых) знаний в той предметной области, которой посвящен текст.

Подготовкой к прочтению специальных текстов является выбор совместно с экспертами некоторого «базового» списка литературы, который постепенно введет аналитика в предметную область. Таким образом, на процесс понимания (или интерпретации) I и модель М2 влияют следующие компоненты:

• экстракт компонентов (а, b,y,Q) почерпнутый из текста Т;

• предварительные знания аналитика о предметной области со;

• общенаучная эрудиция аналитика е;

• его личный опыт f.

ПроцессI— это сложный, не поддающийся формализации процесс, на который существенным образом влияют такие чисто индивидуальные компоненты, как когнитивный стиль познания, интеллектуальные характеристики и др.

Выделяют три вида текстологических методов:

• анализ специальной литературы;

• анализ учебников;

• анализ методик.

Перечисленные три метода существенно отличаются, во-первых, по степени концентрированности специальных знаний, и, во-вторых, по соотношению специальных и фоновых знаний. Наиболее простым методом является анализ учебников, в которых логика изложения обычно соответствует логике предмета и поэтому макроструктура такого текста будет, наверное, более значима, чем структура текста какой-нибудь специальной статьи. Анализ методик затруднен как раз сжатостью изложения и практическим отсутствием комментариев, то есть фоновых знаний, облегчающих понимание для неспециалистов. Поэтому можно рекомендовать для практической работы комбинацию перечисленных методов.

В заключение предложим одну из возможных практических методик анализа текстов с целью извлечения и структурирования знаний.

Алгоритм извлечения знаний из текста

1. Составление «базового» списка литературы для ознакомления с предметной областью и чтение по списку.

2. Выбор текста для извлечения знаний.

3. Первое знакомство с текстом (беглое прочтение). Для определения значения незнакомых слов — консультации со специалистами или привлечение справочной литературы.

4. Формирование первой гипотезы о макроструктуре текста.

5. Внимательное прочтение текста с выписыванием ключевых слов и выражений, то есть выделение «смысловых вех» (компрессия текста).

6. Определение связей между ключевыми словами, разработка макроструктуры текста в форме графа или «сжатого» текста (реферата).

7. Формирование поля знаний на основании макроструктуры текста.

19. Коммуникативные методы извлечения знаний: пассивные методы (наблюдение, протокол «мыслей вслух», лекции)

Пассивные методы извлечения знаний включают такие методы, где ведущая роль в процедуре извлечения фактически передается эксперту, а инженер по знаниям только фиксирует рассуждения эксперта во время работы по принятию решений.

Согласно классификации к этой группе относятся:

• наблюдения;

• анализ протоколов «мыслей вслух»;

• лекции.

Наблюдение. В процессе наблюдений инженер по знаниям находится непосредственно рядом с экспертом во время его профессиональной деятельности или имитации этой деятельности. При подготовке к сеансу извлечения эксперту необходимо объяснить цель наблюдений и попросить максимально комментировать свои действия.

Во время сеанса аналитик записывает все действия эксперта, его реплики и объяснения. Может быть сделана и видеозапись в реальном масштабе времени. Непременное условие этого метода — невмешательство аналитика в работу эксперта хотя бы на первых порах. Именно метод наблюдений является единственно «чистым» методом, исключающим вмешательство инженера по знаниям и навязывание им каких-то своих структур представлений.

Существуют две основные разновидности проведения наблюдений:

• наблюдение за реальным процессом;

• наблюдение за имитацией процесса.

Анализ протоколов «мыслей вслух». Протоколирование «мыслей вслух» отличается от наблюдений тем, что эксперта просят не просто прокомментировать свои действия и решения, но и объяснить, как это решение было найдено, то есть продемонстрировать всю цепочку своих рассуждений. Во время рассуждений эксперта все его слова, весь «поток сознания» протоколируется инженером по знаниям, при этом полезно отметить даже паузы и междометия. Иногда этот метод называют «вербальные отчеты».

Основной трудностью при протоколировании «мыслей вслух» является принципиальная сложность для любого человека объяснить, как он думает. При этом существуют экспериментальные психологические доказательства того факта, что люди не всегда в состоянии достоверно описывать мыслительные процессы.

Расшифровка полученных протоколов производится инженером по знаниям самостоятельно с коррекциями на следующих сеансах извлечения знаний. Удачно проведенное протоколирование «мыслей вслух» является одним из наиболее эффективных методов извлечения, поскольку в нем эксперт может проявить себя максимально ярко, он ничем не скован, никто ему не мешает, он как бы свободно парит в потоке собственных умозаключений и рассуждений.

Обычно «мысли вслух» дополняются потом одним из активных методов для реализации обратной связи между интерпретацией инженера по знаниям и представлениями эксперта.

Лекция. Лекция – самый старый и известный способ передачи знаний. Инженер знаний должен уметь слушать лекции, так как он не может учить эксперта, как нужно читать лекции. Инженер знаний должен сформулировать для эксперта тему цикла лекций, а также тему и задачу каждой лекции (чтобы ограничить степень его свободы). Например, тема цикла лекций «Постановка диагноза – воспаление легких». Тема конкретной лекции «Анализ рентгенограмм», задача лекции – научить слушателей по перечисленным экспертом признакам ставить диагноз «воспаление легких» и делать прогноз. При такой постановке эксперт может заранее структурировать свои знания и ход рассуждений.

Инженеру знаний нужно только все внимательно записать. Писать конспект – это искусство: нужно записывать главное, опускать второстепенное, выделять фрагменты знаний (параграфы, подпараграфы), уметь обобщать. В конце или по ходу лекции необходимо задавать уточняющие вопросы. Хороший вопрос по ходу лекции помогает и лектору и слушателю. Опытный лектор разбивает все вопросы условно на 3 группы:

• Умные вопросы, углубляющие лекцию,

• Глупые вопросы или вопросы «не по существу»,

• Вопросы «на засыпку» или провокационные вопросы.

Цикл (курс) лекций обычно включает 3-5 лекций. Продолжительность лекции 40-50 мин, с 5-10-минутным перерывом. Этот метод, как и первые два, используется на начальной стадии разработки базы знаний для эффективного погружения в предметную область.

20.Коммуникативные методы извлечения знаний: активные групповые методы («мозговой штурм», круглый стол, ролевые игры)

Метод «мозгового штурма» - один из наиболее известных и широко применяемых методов генерирования новых идей путем творческого сотрудничества группы специалистов. Являясь в некотором смысле единым мозгом, группа пытается штурмом преодолеть трудности, мешающие разрешить рассматриваемую проблему. В процессе такого штурма участники выдвигают и развивают собственные идеи, стимулируя появление новых и комбинируя их. Метод «мозгового штурма» эффективен при решении не слишком сложных задач общего организационного характера, когда проблема хорошо знакома всем участникам заседания и по рассматриваемому вопросу имеется достаточная информация.

Метод дискуссии за круглым столом предполагает равноправное обсуждение экспертами поставленной проблемы. Отличительной особенностью метода дискуссии является коллективное рассмотрение предметной области с разных точек зрения и исследование спорных гипотез. Метод круглого стола предусматривает обсуждение какой-либо проблемы из выбранной предметной области, в котором принимают участие с равными правами несколько экспертов. Задача дискуссии – коллективно, с разных точек зрения, под разными углами исследовать спорные гипотезы предметной области. По ходу дискуссии важно проследить, чтобы слишком эмоциональные и разговорчивые эксперты не подменили тему и чтобы критика позиций друг друга была обоснованной.

Экспертные игры предназначены для извлечения знаний и базируются на деловых, диагностических и компьютерных играх. По числу участников игры подразделяют на индивидуальные (игры с экспертом) и групповые (ролевые игры в группе). По применению специального оборудования — игры с тренажерами и игры без реквизита. Особый класс представляют собой компьютерные игры.

В играх с экспертом инженер по знаниям берет на себя чью-нибудь роль в моделируемой ситуации. Ролевые игры в группе предусматривают участие в игре нескольких специалистов. Участники игры наделяются определенными ролями, а собственно игра проводится по составленному когнитологом сценарию. В целях повышения эффективности ролевых игр в них необходимо вводить элементы состязательности. Ролевые игрыпредусматривают участие в экспертной игре нескольких экспертов. Роль – комплекс образцов поведения. Когнитолог является режиссером и сценаристом, и ему предоставляется полная свобода в выборе формы проведения игры. Из трех основных типов деловых игр (учебных, планово-производственных и исследовательских) к экспертам ближе всего исследовательские, которые используются для анализа систем, проверки правил принятия решений.

21. Коммуникативные методы извлечения знаний: активные индивидуальные методы (анкетирование, интервью, экспертные игры)

Анкетирование –наиболее жесткий метод (стандартизированный). Когнитолог заранее составляет вопросник и осуществляет опрос нескольких экспертов. Существует несколько общих рекомендаций при составлении анкет:

- анкета не должна быть монотонной и однообразной;

- анкета не должна быть приспособлена к языку экспертов;

- поскольку вопросы влияют друг на друга, их последовательность должна быть строго продумана;

- желательно стремиться к оптимальной избыточности;

- язык анкеты должен быть ясным, понятным, предельно вежливым.

Под интервьюпонимается специфическая форма общения когнитолога с экспертом, в которой когнитолог задает эксперту серию заранее подготовленных вопросов. В интервью когнитолог имеет возможность в зависимости от ситуации ряд вопросов опускать или вставлять новые вопросы, изменять темп, разнообразить ситуацию общения. По форме вопросы подразделяются на открытые (для ответа предоставляют полную свободу) и закрытые (предполагают фиксированные ответы), личные и безличные, прямые и косвенные, вербальные и с использованием наглядного материала. По функции – на основные, зондирующие и контрольные, по воздействию вопросы подразделяются на нейтральные и наводящие.

Свободный диалог– это метод извлечения знаний в форме беседы когнитолога и эксперта. Диалог предполагает выбор правильного темпа и ритма беседы, поскольку при больших паузах эксперт отвлекается, а при высоком темпе быстро утомляются оба собеседника.

Игра с экспертом предполагает, что эксперт и когнитолог в моделируемой ситуации берут на себя некоторые роли, например «учитель» и «ученик». В процессе игры эксперт поправляет ошибки «ученика». Существуют следующие советы когнитологу по проведению индивидуальных игр: играть смело, нешаблонно; не навязывать игру эксперту, если он не расположен; в игре «не давить на эксперта» и не забывать цели игры.

22. Стратегии получения знаний (извлечение знаний, приобретение знаний, формирование знаний). Структура процесса общения. Методологические и технологические проблемы получения знаний

Под приобретением знаний понимается способ автоматизированного построения базы знаний посредством диалога эксперта и специальной программы (при этом структура знаний заранее закладывается в программу). Эта стратегия требует существенной предварительной проработки предметной области. Системы приобретения знаний действительно приобретают готовые фрагменты знаний в соответствии со структурами, заложенными разработчиками систем. Большинство этих инструментальных средств специально ориентировано на конкретные экспертные системы с жестко обозначенной предметной областью и моделью представления знаний, т.е. не являются универсальными.

Термин извлечение знаний касается непосредственного живого контакта инженера по знаниям и источника знаний. Авторы склонны использовать этот термин как более емкий и более точно выражающий смысл процедуры переноса компетентности эксперта через инженера по знаниям в базу знаний экспертной системы.

Термин формupование знаний традиционно закрепился за чрезвычайно перспективной и активно развивающейся областью инженерии знаний, которая занимается разработкой моделей, методов и алгоритмов анализа данных для получения знаний и обучения. Эта область включает индуктивные модели формирования гипотез на основе обучающих выборок, обучение по аналогии и другие методы.

Понятие “общение” является сложным, следовательно необходимо обозначить его структуру. В психологической литературе при характеристике структуры общения выделяют обычно три её взаимосвязанных стороны: коммуникативной, интерактивной и перцептивной. Коммуникативная сторона общения состоит в обмене информацией между людьми. Понимание человека человеком связано с установлением и сохранением коммуникации. Второй стороной общения является интерактивная, которая заключается в организации взаимодействия между индивидами, т.е. обмене не только знаниями, но и действиями. Третьей важной стороной общения является перцептивная. Она означает процесс восприятия друг друга партнерами по общению и установления на этой почве взаимопонимания.

23. Методы структурирования знаний и данных и их классификация. Объектно-структурный анализ. Стратификация знаний предметной области.

Традиционные методологии структурирования.

Существующие подходы к проектированию сложных систем можно разделить на два больших класса:

• Структурный подход основан на идее алгоритмической декомпозиции, где каждый модуль системы выполняет один из важнейших этапов общего процесса.

• Объектный подход связан с декомпозицией и выделением не процессов, а объектов, при этом объект рассматривается как экземпляр определенного класса.

В структурном анализе разработано большое число выразительных средств для проектирования, в том числе графических. Объектный подход возник как технология программирования больших программных продуктов.

Объектно-структурный подход

Можно предложить в качестве базисной парадигмы методологии структурного анализа знаний и формирования поля знаний Рz обобщенный объектно-структурный подход (ОСП).

Основные постулаты этой парадигмы заимствованы из ООП и расширены.

  1. Системность (взаимосвязь между понятиями).
  2. Абстрагирование (выявление понятия, которые отличают его от других).
  3. Иерархия (ранжирование на упорядоченные системы абстракций).
  4. Типизация (выделение классов понятий с частичным наследованием).
  5. Модульность (разбиение задачи на подзадачи или «возможные миры»).
  6. Наглядность и простота нотации.

ОСП позволяет наглядно и компактно отобразить объекты и отношения предметной области на основе использования шести постулатов. Объектно-структурный подход подразумевает интегрированное использование сформулированных выше постулатов во всех стадиях разработки БЗ интеллектуальных и обучающих систем.

Методы выявления объектов, понятий и их атрибутов

Понятие или концепт - это обобщение предметов некоторого класса по их специфическим признакам. Обобщенность является сквозной характеристикой всех когнитивных психических структур. Существует ряд методов выявления понятий предметной области в общем словаре терминов, который составлен на основании сеансов извлечения знаний.

На этом этапе определяются также интенсионалы и экстенсионалы понятий предметной области. Интенсионал очерчивает понятие через взаимосвязь значимых признаков, а экстенсионал — через перечисление конкретных экземпляров объекта.

Сложность заключается в том, что для многих понятий практически невозможно однозначно определить их признаки, это связано с различными формами репрезентации понятий в памяти человека.

Все методы выявления понятий мы разделили на:

• традиционные, основанные на математическом аппарате распознавания образов и классификации;

• нетрадиционные, основанные на методологии инженерии знаний. Если первые достаточно хорошо освещены в литературе, то вторые пока менее известны.

Методы выявления связей между понятиями

Концепты не существуют независимо, они включены в общую понятийную структуру с помощью отношений. Знания в памяти — это некоторые связные структуры, а не отдельные фрагменты. Тем не менее основной упор в существующих моделях представления знаний делается на понятия, а связи вводят весьма примитивные (в основном причинно-следственные).

В последних работах по теории ИИ все больше внимания уделяется взаимосвязанности структур знаний. Все методы выявления связей можно разделить на две группы:

• Формальные.

• Неформальные (основаны на дополнительной работе с экспертом). Неформальные методы выявления связей придумывает инженер по знаниям для того, чтобы вынудить эксперта указать явные и неявные связи между понятиями. Наиболее распространенным является метод «сортировка карточек» в группы, широко применяемый и для формирования понятий. Другим неформальным методом является построение замкнутых кривых. После того как определены связи между понятиями, все понятия как бы распадаются на группы. Такого рода группы представляют собой метапонятия.

Методы выделения метапонятий и детализация понятий

Процесс образования метапонятий, то есть интерпретации групп понятий, и обратная процедура — детализация понятий, — не поддающиется формализации. Они требуют высокой квалификации экспертов, а также наличия способностей к «наклеиванию» лингвистических ярлыков. Независимо от того, формальными или неформальными методами были выявлены понятия, присвоение имен или интерпретация их - всегда неформальный процесс.

Это не всегда удается. Это связано с тем, что формальные методы иногда выделяют «искусственные» концепты, в то время как неформальные обычно — практически используемые и потому легко узнаваемые понятия.

Помимо универсальных отношений (пространственных, временных, причинно-следственных) существуют еще и специфические отношения, присущие той или иной предметной области.

Скудность методов структурирования объясняется тем, что методологическая база инженерии знаний только закладывается, а большинство инженеров по знаниям проводит концептуализацию, руководствуясь наиболее дорогими и неэффективными способами — «проб и ошибок» и «по наитию», то есть исходя из соображений здравого смысла.

24. Методы структурирования знаний и данных и их классификация. Визуальные методы. Стадии структурирования знаний

Традиционные методологии структурирования.

Существующие подходы к проектированию сложных систем можно разделить на два больших класса:

• Структурный подход основан на идее алгоритмической декомпозиции, где каждый модуль системы выполняет один из важнейших этапов общего процесса.

• Объектный подход связан с декомпозицией и выделением не процессов, а объектов, при этом объект рассматривается как экземпляр определенного класса.

В структурном анализе разработано большое число выразительных средств для проектирования, в том числе графических. Объектный подход возник как технология программирования больших программных продуктов.

Объектно-структурный подход можно предложить в качестве базисной парадигмы методологии структурного анализа знаний и формирования поля знаний Рz обобщенный объектно-структурный подход (ОСП). Визуализация всегда считалась мощным инструментами познания (mind tool), т.е. средством, предназначенным для организации и облегчения процесса познания. Любые модели от плана садового участка до системы дифференциальных уравнений являются инструментами познания, если они помогают нам сформулировать и объяснить природу и структуру явлений. Визуальные модели (например, графы) обладают особой познавательной силой, фактически представляя средства когнитивной графики для структурирования информации. Любой программный графический пакет от PaintBrush до Visio можно использовать как инструмент познания. Однако, сейчас все большую популярность приобретают специализированные методы и инструменты.

На практике, используются более сотни методов визуального структурирования – от традиционных диаграмм, «и-или» графов, сетей Петри, диаграмм бизнес-процессов до модных «стратегических» карт (roadmaps), лучевых схем-пауков (spiders) и каузальных цепей (causal chains). Такое многообразие обусловлено существенными различиями в природе, особенностях и свойствах знаний различных предметных областей.

На стадии структурирования знаний предметной области необходимо решить следующие задачи: составление словаря используемых терминов; выявление понятий и их атрибутов; выявление связей и определение отношений между понятиями; детализация и обобщение понятий; построение обобщенной структуры знаний предметной области.

25. Нечёткие и неопределённые знания. Нечёткие множества и лингвистические переменные. Вероятностные рассуждения

При попытке формализовать человеческие знания исследователи столкнулись с проблемой, затрудняющей использование традиционного математического аппарата для их описания. Существует целый класс описаний, оперирующих качественными характеристиками объектов (много, мало, сильный, очень сильный и т.п.). Эти характеристики обычно размыты, однако содержат важную информацию (например, «Одним из возможных признаков гриппа является высокая температура»).

Смысл термина нечеткость многозначен. Трудно претендовать на исчерпывающее определение этого понятия, поэтому рассмотрим лишь основные его компоненты, к которым относятся следующие:недетерминированность выводов; многозначность; ненадежность; неполнота; неточность.

Нечеткая логика – это надмножество классической булевой логики, расширяющее ее возможности и позволяющее применить концепцию неопределённости в логических выводах. Она была введена Л.Заде как способ моделирования неопределенностей естественного языка. Концептуальное отличие нечеткой логики от классической заключается в том, что она интерпретирует не только значениями «истина» и «ложь», но и промежуточными значениями.

В основе нечеткой логики лежит теория нечетких множеств. В классической теории множеств, подмножество U множества S может быть определено как отображение элементов S в элементы множества {0, 1}, U: S ? {0, 1}

Лингвинистическая переменная — это переменная, значение которой определяется набором вербальных, то есть словесных, характеристик некоторого свойства.

Нечеткая переменная характеризуется тройкой <a, X, A>, где a — наименование переменной; X — универсальное множество (область определения a); A — нечеткое множество на X, описывающее ограничения на значения нечеткой переменной a.

Лингвинистической переменной называется набор <b, T, X, G, M>, b — наименование лингвинистической переменной; T — множество ее значений (терм-множество), представляющих собой наименование нечетких переменных, областью определения каждой из которых является множество X, G — синтаксическая процедура, позволяющая оперировать элементами терм-множества T, в частности генерировать новые термы (значения); M — семантическая процедура, позволяющая превратить каждое новое значение лингвинистической переменной, образуемое процедурой G, в нечеткую переменную, то есть сформировать соответствующее нечеткое множество. Для более тонкой оценки достоверности знаний применяется вероятностный подход, основанный на теореме Байеса, и другие методы. Например, в экспертной системе MYCIN, предназначенной для диагностики и выбора метода лечения инфекционных заболеваний, разработан метод вывода с использованием коэффициентов уверенности. Широкое применение на практике получили нечеткие выводы, строящиеся на базе нечеткой логики, ведущей свое происхождение от теории нечетких множеств.

26. Основные виды иерархий. Уровень абстрагирования 1) уровень описания, или абстрагирования, - страта;

2) уровень сложности принимаемого решения - слой;

3) организационный уровень - эшелон. При описании сложной системы требуется найти компромисс между простотой описания и необходимостью учета поведенческих особенностей сложной системы. Разрешение этой дилеммы ищется в иерархическом подходе. Система задается семейством моделей, каждая из которых описывает поведение системы с точки зрения различных уровней абстрагирования.

Для каждого уровня существует ряд характерных особенностей и переменных, законов и принципов, с помощью которых и описывается поведение системы. Чтобы такое описание было эффективным, необходима возможно большая независимость моделей для различных уровней системы.

Чтобы отличить эту концепцию иерархии от других, будем использовать для нее термин "стратифицированная система". Уровни абстрагирования будем называть "стратами".

На каждой страте имеется свой собственный набор переменных, которые позволяют в значительной степени ограничиться изучением только одной страты. Но предположение о полной независимости страт было бы неоправданным и может привести к неполному пониманию системы в целом (нельзя ограничиться, например, исследованием человека только с биологической точки зрения).

Некоторые общие характеристики стратифицированного описания систем:

1. Выбор страт, в терминах которых описывается данная система, зависит от наблюдателя, его знания и заинтересованности в деятельности системы. Хотя для многих систем некоторые страты кажутся естественными, может оказаться, что они не представляют интереса.

2. Принципы и законы, используемые для характеристики системы на любой страте, в общем случае не могут быть выведены из принципов, используемых на других стратах.

3. Требования, предъявляемые к работе системы на любой страте, выступают как условия или ограничения деятельности на нижестоящих стратах.

4. То, что является ответом рассмотрения на данной страте, более подробно раскрывается на нижерасположенной страте.

5. Чем ниже мы спускаемся по иерархии, тем более детальным становится раскрытие системы; чем выше мы поднимаемся, тем более явным становится смысл и значение всей системы.

27. Основные виды иерархий. Уровень сложности принимаемого решения

1) уровень описания, или абстрагирования, - страта;

2) уровень сложности принимаемого решения - слой;

3) организационный уровень - эшелон.

Уровень сложности принимаемого решения Это понятие иерархии относится к процессам принятия сложных решений. В любой реальной ситуации принятия решения существуют две особенности:

1) когда приходит время принимать решение, принятие и выполнение решения желательно ускорить;

2) прежде чем принять решение, следует хорошо оценить создавшуюся ситуацию.

При принятии решения в сложных ситуациях разрешение этой дилеммы ищут в иерархическом подходе: определяют семейство проблем, которые пытаются разрешить последовательным путем в том смысле, что решение любой проблемы из этой последовательности определяет и фиксирует, какие-то параметры в следующей проблеме, так что последняя становится полностью определенной, и можно приступить к ее решению.

28. Основные виды иерархий. Организационные иерархии (многоэшелонные системы)

1) уровень описания, или абстрагирования, - страта;

2) уровень сложности принимаемого решения - слой;

3) организационный уровень - эшелон.

Организационные иерархии

Это понятие иерархии подразумевает, что:

1) система состоит из семейства четко выделенных взаимодействующих подсистем;

2) некоторые из подсистем являются принимающими решения элементами;

3) принимающие решения элементы располагаются иерархически, т.е. некоторые из них находятся под влиянием или управляются другими решающими элементами.

Уровень в такой системе - эшелон.

В многоэшелонных системах элементы верхнего уровня хотя и обусловливают целенаправленную деятельность элементов нижних уровней, но в выборе решений нижних уровней есть некоторая свобода.

Три введенных понятия иерархических структур имеют каждое свою область применения: концепция страт введена для целей моделирования, концепция слоев - для вертикальной декомпозиции решаемой проблемы на подпроблемы; концепция эшелонов относится к взаимной связи между образующими систему элементами принятия решения.

Однозначного соотношения между стратами, эшелонами и слоями не существует. Задания для нескольких эшелонов могут быть определены из модели одной и той же страты, в то время как решаемая проблема на данном слое может быть распределена между рядом эшелонов. Более того, задание для эшелона может содержать элементы проблем, принадлежащих не к одному слою, а к ряду слоев решаемой проблемы.

29. Онтология для представления знаний. Классификация онтологий

Онтология – это подробная спецификация структуры определенной проблемной области;

Онтология включает в себя словарь (т.е. список логических констант и предикатных символов) для описания предметной области и набор логических высказываний, формулирующих существующие в данной проблемной области ограничения и определяющих интерпретацию словаря;

Онтология предлагает словарь для представления и обмена знаниями по интересующей проблеме и набор связей и свойств, которые определены между имеющимися в ее словаре неделимыми сущностями.

Классификация онтологий

• метаонтология – содержит общие понятия и отношения, не зависящие от предметной области («объект», «свойство», «значение» и т.п.);

• предметная онтология – содержит понятия, описывающие конкретную предметную область и отношения, семантически значимые для данной предметной области;

• онтология задач (и методов) – содержит в качестве понятий типы решаемых задач, а отношения специфицируют декомпозицию задач на подзадачи;

• прикладная онтология (онтология приложения) – описывает концепты, зависящие как от предметной области, так и от задач

• сетевая онтология – используется для описания конечных результатов действий, выполняемых объектами предметной области или задачи.

Другие классификации:

• по уровню детализации

• по “природе” предметных областей

• по степени разработки и сопровождения

30. Языки формализации онтологий

Основной задачей языков описания онтологий является описание семантики данных предметной области. В настоящее время наиболее распространённой формой представления семантически связанных данных является онтология, состоящая из набора концептов предметной области и связей между ними.

Для большинства формализованных технических языков характерен следующий набор правил:

§использование слова только в одном заранее оговоренном значении;

§использование исключительно простых предложений;

§ запрет на постановку подлежащего в конец предложения;

§ запрет на изменение инвертированного порядка частей составного сказуемого;

§ запрет постановки прямого дополнения перед сказуемым;

§ запрет на использование причастных оборотов в качестве синтаксических оборотов. Формализация языка значительно облегчает автоматическую обработку текста

• традиционные языки спецификации онтологий (LOOM,OKBC, OCML, Flogic, LBase)

• специальные языки спецификации онтологий(Ontolingua, CycL, SHOE)

• языки основанные на Web-стандартах(UPML, DAML, OIL, XODL, XML, RDF, RDFS, OWL)

Выбор языка зависит от целей разработки онтологии

OWL (Web Ontology Language)– язык Web-онтологий

Основное назначениеOWL – для использования приложениями, которые должны не только представлять информацию человеку, но и обрабатывать ее.

OWLспроектирован для хранения и отображения большого количества разнородной информации и знаний, а также для поддержки семантики и связей между этими знаниями.

OWLпредназначен для описания классов и отношений между ними, которые присущи для Web-документов и приложений

31. История развития системы управления знаниями. Ресурсы знаний. Дуализм понятия «Управления знаниями»

Теория нового общества получает свое развитие в работах Элвина Тоффлера , где в качестве символической даты начала новой цивилизации — Третьей Волны, главными ценностями которой являются знания и информация, автор указывает 1956 год . В 1986 году Карл Вииг вводит понятие управления знаниям. Нельзя также не отметить все возрастающий интерес со стороны организаций к управлению знаниями и факт организации первых, пока еще немногочисленных, конференций, посвященных изучаемой проблеме.

Управление знаниями выходит на практический уровень: в 1991 году в шведской страховой компании «Скандия» официально утверждается пост директора по управлению знаниями.

Все последующие годы вплоть до сегодняшнего дня можно охарактеризовать как период широкого распространения концепции управления знаниями во всех сферах деятельности, включая науку и образование. На этом этапе происходит непосредственное формирование «технологии управления знаниями» как совокупности определенных методов, приемов и программно-технологических средств, для обеспечения свободной циркуляции знаний и их генерации.

Под понятием "знание" обычно подразумевается проверенный практикой результат познания действительности, верное ее отражение в сознании человека. Специалисты в области теории познания отмечают многоуровневый характер отношения знания к действительности. Знания различных уровней обладают различной степенью достоверности. Мышление движется от поверхностного знания достоверных фактов к более глубоким научным знаниям, являющимся обобщением достоверных фактов. Первичные факты, или первичные знания, сводятся к констатации фактов и их описанию. Научные знания поднимаются до уровня объяснения фактов.

Под знаниями надо понимать всю совокупность знаний — от описаний фактов (первичных знаний) до научных знаний. Гигантский объем знаний, накопленных человечеством, доходит до нас потому, что они документированы, т. е. хранятся на каких-либо носителях.

Технология менеджмента - Стратегии управления организацией для обеспечения функций по созданию, организации, использованию

и повышению количества и качества интеллектуальных ресурсов организации (знаний)

Информационная

технология - Программное и техническое обеспечение для реализации

задач хранения, поиска, обработки, анализа и использования документов, информации и знаний

УПРАВЛЕНИЕ ЗНАНИЯМИ

32. Жизненный цикл знаний в системах управления знаниями

Определение потребности в знаниях

Ваша компания решила усовершенствовать некий производственный процесс. Например, вы решили сократить потребление энергии на некоем производственном участке. Тогда потребность в знаниях касается знаний причин энергозатрат, факторов (внешних и внутренних, субъективных и объективных, контролируемых и неконтролируемых) влияющих на величину энергнозатрат, знаний энергосберегающих технологий и процессов.

Определение источников знаний

Вы определяете источники знаний по каждому виду знаний.

Например, в качестве источников вы выбираете

1) подразделение вашей компании, в которой добились выдающихся успехов в сокращении энергозатрат;

2) внешние журналы, сайты. Обзоры и исследования существующих энергоемких технологий.

3) группу специалистов компании, перед которыми будет поставлена задача адаптировать существующие знания к реальности вашей компании, а также в случае необходимости создавать еще несуществующие знания.

Создание знаний

Для обмена опытом с подразделением – источником знаний – вы создаете сообщество практики, которое работает дистанционно;

Для создания и адаптации существующих знаний вы создаете междисциплинарную команды, работу этой команды на каждом этапе дополняете практикой «разбора полетов»

Формализация знаний

Все создаваемые знания вы формализуете в виде Технических условий, описания технологических процессов и т.п.

Сохранение и структуризация знаний

Для хранения корпоративных стандартов вы создаете внутреннюю социальную сеть, где содержится:

· описание технологического процесса, каждый его этап дополняется

· ссылками на описание истории вопроса (примерами по решению вновь возникающих задач,

· с комментариями специалистов и

· форумом, на котором могут обсуждаться вопросы, касающиеся реализации технологического процесса на конкретном производственном участке.

Распространение и использование знаний

На основе результатов процесса обмена опытом, создания новых технологических процессов, вы разрабатываете обязательные учебные программы, а также электронные курсы с видеозаписями примеров выполнения техпроцесса. Обучение дополняется обязательной аттестацией сотрудников, а также мониторингом результатов соблюдения технологических процессов на конкретных производственных участках.

Коррекция знаний и практики использования знаний

Оценка практики использования знаний дополняется мониторингом результатов деятельности каждого производственного участка. Случаи отклонения от нормативов рассматриваются как с точки зрения выяснения способов повышения эффективности производственного процесса и распространения лучшего опыта на другие участки, так и с точки зрения обучения и развития отстающих подразделений.

33. Система управления знаниями. Корпоративная память

Управление знаниями – это совокупность процессов, которые управляют созданием, распространением, обработкой и использованием знаний внутри предприятия.

Существует два подхода к управлению знаниями. Суть подхода первого поколения состоит в том, что ценные знания в организации уже существуют, т.е. они уже созданы и все, что требуется сделать, – это должным образом зафиксировать их, закодировать и распространить. Следовательно, целью является не совершенствование процесса производства (создания) знания, а лишь его использование (применение в практической деятельности). Подход второго поколения предусматривает, что знания не существуют в готовом виде, они производятся в процессе обработки знаний. Использование знаний в бизнес-процессах проверяет знания и выявляет новые проблемы, формируя спрос на новые знания и его удовлетворение.

Интеллектуальная информационная система (intelligent system), иногда называемая системой, основанной на знаниях, представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи – осуществления поддержки деятельности человека.

Корпоративная память фиксирует информацию из различных источников предприятия и делает эту информацию доступной специалистам для решения производственных задач. Корпоративная память не позволяет исчезнуть знаниям выбывающих специалистов (уход на пенсию, увольнение и пр.). Она хранит большие объемы данных, информации и знаний из различных источников предприятия. Они представлены в различных формах, таких как базы данных, архивы документов и базы знаний.

Разработка систем корпоративной памяти включает в себя пять этапов:

1) накопление – стихийное и бессистемное накопление информации в организации;

2) извлечение – процесс, идентичный традиционному извлечению знаний для экспертных систем. Это один из наиболее сложных и трудоемких этапов, от его успешности зависит дальнейшая жизнеспособность системы;

3) структурирование – выделение основных понятий, выработка структуры представления информации, обладающей максимальной наглядностью, простотой изменения и дополнения;

4) формализация – представление структурированной информации в форматах машинной обработки, т.е. на языках описания данных и знаний;

обслуживание – корректировка формализованных данных и знаний (добавление, обновление): "чистка", т.е. удаление устаревшей информации; фильтрация данных и знаний для поиска информации, необходимой пользователям.

34. СистемыBusiness Intelligence.История появленияBusiness Intelligence.Основные понятия и особенностиBusiness intelligence (BI) -программное обеспечение, созданное для помощи менеджеру в анализе информации о своей компании и её окружении. Большинство инструментовBusiness intelligenceприменяются конечными пользователями для доступа, анализа и генерации отчетов по данным, которые чаще всего располагаются в хранилище, витринах данных или оперативных складах данных. Термин впервые появился в 1958 году в статье исследователя изIBMХанса Питера Луна[en] (англ.Hans Peter Luhn).Он определил этот термин как: «Возможность понимания связей между представленными фактами.»[1]

BI в современном понимании эволюционировал из систем для принятия решений, которые появились в начале 1960-х и разрабатывались в середине 1980-х. В состав BI входят:

• Многомерная агрегация и размещение данных вхранилищах данных

Денормализация таблиц баз данных, маркировка и стандартизация данных (ETL)

• Средства предоставления отчётности в режиме реального времени с аналитическими оповещениями (в случае существенных отклонений)

• Средства взаимодействия с неструктурированными источниками данных

• Групповая консолидация, бюджетирование искользящие прогнозы

Статистические выводы ивероятностное моделирование

• Оптимизацияключевых показателей эффективности

Контроль версий и управление процессами

• Управления открытыми позициями

BI применяется для следующих бизнес-задач:

  • Измерение
  • Аналитика
  • Корпоративная отчётность
  • Платформа сотрудничества
  • Управление знаниями

35. Системы Business Intelligence. Архитектура и жизненный цикл

Задачами любой информационно-аналитической системы являются эффективное хранение, обработка и анализ данных. В настоящее время накоплен значительный опыт в этой области. Эффективное хранение информации достигается наличием в составе информационно-аналитической системы целого ряда источников данных. Обработка и объединение информации достигается применением инструментов извлечения, преобразования и загрузки данных. Анализ данных осуществляется при помощи современных инструментов делового анализа данных.

36. Обработка естественного языка в интеллектуальных системах

Обработка естественного языка включает в себя распознавание и генерацию речи, классификацию, экстракцию знаний из текстов и другие действия, направленные на понимание текстов с целью наполнения баз знаний, формирования ответов на вопросы и ведения диалога. Первые подходы к глубокой обработке текстов обычно сводились к разбору языка с применением такой грамматики, а также путем перевода из дерева разбора в некоторое логическое представление знаний с помощью свода правил и специально заготовленного лексикона. После этого логическое представление можно было добавить в базу знаний и выполнять над ней разного рода операции, отвечать на вопросы, проверять утверждения и т. п. Однако при попытках практического применения этого подхода возникали сложности, связанные в том числе с необходимостью учитывать общепринятые (то есть элементарные, базовые) знания о мире.

В начале 90-х годов стали развиваться методы машинного обучения и одновременно был сделан ряд работ по статистической лингвистике. В машинном обучении отлично себя показали алгоритмы классификации для различных задач, связанных с обработкой текстов: детекция спама, сортировка документов по тематикам, выделение именованных сущностей.

Сегодня для создания интеллектуальных систем у исследователей, работающих с естественным языком, имеется много инструментов (см. таблицу), которые можно условно разбить на три класса: методы работы с индивидуальными словами, методы работы с предложениями и методы для обработки произвольных текстов из нескольких предложений.

Обработка естественного языка, пользовательский интерфейс и модели пользователя. Это направление связано с разработкой систем поддержки речевого общения, с решением проблем понимания

естественного языка в интеллектуальных системах, с повышением точности поиска, с задачами сегментации текстов по тематическим топикам, с задачами управления диалогом, с задачами анализа естественного языка, с использованием различных эвристик. Сюда же включаются проблемы дискурса (иногда под дискурсом понимают совокупность речевых актов вместе с их результатами).

По прежнему актуальны задачи обучения контекстному анализу текста, задачи приобретения знаний интеллектуальными системами и извлечения информации из текстов.

Важнейшей задачей в процессе извлечения информации, как, впрочем, и в процессе приобретения знаний, является минимизация роли эксперта — участника процесса.

Важность этого направления нельзя недооценивать. Причина тому — возрастание потоков текстовой информации, существующий социальный заказ на поиск релевантной информации в Интернете, на анализ текстовой информации, на извлечение данных из текстов.

Предметом исследований в этом направлении является также динамическое моделирование пользователя, в частности, в системах электронной коммерции, адаптивный интерфейс, мониторинг и анализ пользовательского поведения в Интеонете.

37. Интеллектуальные обучающие системы (история развития интеллектуальных обучающих систем; определение; классификация)

Первые исследования возможности использовать компьютер для оптимизации процесса обучения появились во втором поколении развития компьютера. Так уже в 1954 в Америке вышла книга "The Science of Learning and Art of Teaching" (Skinner B.F). С третьим поколением исследования также начинают принимать и практический характер. У нас в стране литература по теме стала появляться как раз в это время - в 60-е годы.

С начала 80-х годов в интенсивно развивается направление "интеллектуальные обучающие системы" (ИОС), основанное на работах в областиискусственного интеллекта. Существенной частью ИОС являются модели обучаемого, процесса обучения, предметной области, на основе которых для каждого обучаемого может строиться рациональная стратегия обучения. Базы знаний ИОС могут содержать наряду с формализованными знаниямиэкспертные знания в предметных областях и в сфере обучения.

Интеллектуальные обучающие системы (ИОС) относятся к системам наиболее высокого уровня и также реализуются на базе идей искусственного интеллекта. ИОС могут осуществлять управление на всех этапах решения учебной задачи, начиная от ее постановки и поиска принципа решения и кончая оценкой оптимальности решения, с учетом особенностей деятельности обучаемых. Такие системы обеспечивают диалоговое взаимодействие, как правило, на языке, близком к естественному. При этом в ходе диалога могут обсуждаться не только правильность тех или иных действий, но и стратегия поиска решения, планирования действий, приемы контроля и т.д.

38. Инструментальные средства проектирования обучающих систем В настоящее время наиболее распространенными являются инструментальные средства (оболочки), позволяющие разрабатывать лишь фрагменты обучающих систем или системы, выполняющие ограниченное количество функций, большинство из которых даже не претендуют на звание интеллектуальных. Кроме того, во многих из них происходит ориентация на некоторую заранее определенную предметную область. Наиболее известными примерами таких оболочек являются:

  1. различные средства построения АУК[3]и модульных учебников [75], к которым относятся такие системы, как АС КУН, КОНТУР, АДОНИС, СЦЕНАРИЙ, АОСМИКРО, УРОК, ToolBook, LinkWay, Quest, TeachCAD, Folio Viewsи многие другие;

всевозможные инструментальные средства для построения гипертекстов[2; 36; 67; 68]: Expert Help, SOURCEDOC, SHelp, Smar Text;

средства разработки мультисред и гиперсред [116; 120; 114; 41]. Для этой цели в настоящее время существует целый арсенал средств разработки мультимедиа-приложений. К ним относятся средства разработки: а) презентаций- PowerPoint, LinkWay, HyperCard;б) двумерной и трехмерной компью-тсрной графики- CorelDraw!, Autodesk Animator, 3D Studio, Electric Image Animator System, Softimage 3D, trueSpace, Imagine, Prisms, Three-D, RenderMan, CrystalTopas;в) видеороликов- Video Editor, Adobe Premiere, Media Merge, CoS A Aftor Effects',г) записи, синтеза и воспроизведения звука и музыки- Sound Forge, WaveLab, CoolEdit, Cakewalk, CubaseScore, Midisoft Recording Sessionи другие;

различные системы моделирования [1]. Здесь следует заметить, что разработчики большинства моделирующих учебных систем предпочитают использовать для разработки конкретной системы разрабатываемые ими самими инструментальные средства. Тем нс менее существуют также специализированные инструментальные среды моделирования, например, Sketch!, Ray Dream Designer, MacroModel, Form.2, Crystal 3D Desinger',

вспомогательные средства, облегчающие труд преподавателей по ведению всевозможной учебной документации [15], расписаний [57; 58; 59; 7] и т.п.

39. Интеллектуальные системы и технологии в современной робототехнике

Шпаргалка по искусственному интеллекту и экспертным системам на http://mirrorref.ru


Похожие рефераты, которые будут Вам интерестны.

1. Шпаргалка по искусственному интелекту

2. Шпаргалка по кредитным системам

3. Шпаргалка по вычислительным системам

4. Шпаргалка по системам и сетям

5. Шпаргалка по холодильным установкам и системам

6. Шпаргалка по системам электроснабжения и потребителю электроэнергии

7. ПСИХОФИЗИОЛОГИЧЕСКИЙ ПОДХОД К ИНТЕЛЛЕКТУ

8. Оценка конкурентоспособности 2-х товаров экспертным методом

9. Ответы по деньгам и денежным системам

10. Курс лекций по гибким автоматизированным системам