Глава 6. Засоби інтелектуалізації сучасних ІС з дисципліни Сучасні інформаційні системи і технології, КСУ, Київський славістичний університет

ГЛАВА 6. Засоби інтелектуалізації сучасних ІС

Основні напрямки розвитку штучного інтелекту

На сучасному етапі розвитку суспільства більшість відносно простих, рутинних операцій з переробки інформації вже автоматизована, і тому подальше збільшення ефективності праці пов’язано з автоматизацією інтелектуальної діяльності. Інтелектуальна діяльність — це дії лю­дей, що призводять до отримання бажаного результату у ситуаціях, коли алгоритм вирішення проблеми відсутній.

Інтелектуальні задачі - задачі, для розв’язання яких невідомий алгоритм (нехай навіть і дуже складний), виконання якого завжди призводить до результату. Так, приміром, для гри у шахи, медичної діагностики або перекладу тексту іншою мовою не знайдено чітких алгоритмів, проте значна кількість людей досить успішно ці задачі виконують, використовуючи власний досвід та знання, що отримані від інших людей.

Термін “штучний інтелект” почали використовувати у 1956 році. Штучний інтелект (ШІ) - це наукова дисципліна, мета якої - автоматизувати інтелектуальну діяльність людини. Ця наука виникла у 50-х роках XX сторіччя на базі кібернетики, лінгвістики, психології та теорії програмування внаслідок загальної спрямованості наукової й інженерної думки на автоматизацію інтелектуальної діяльності, тобто на рішення складних інтелектуальних задач, що вважалися прерогативою людини, за допомогою технічних засобів.

Характерні риси задач штучного інтелекту:

• задача не визначена у числовій формі і потребує символьного подання;

• задача  строго не формалізована;

• алгоритм вирішення задачі невідомий (хоч, можливо, й існує) або занадто складний (і тому не може використовуватися через обмеженість відповідних ресурсів);

• дані для задачі непевні та нечіткі;

• простір рішень має велику розмірність;

• відсутня точно визначена цільової функції для рішення, яке потрібно знайти.

Існує два основні підходи у дослідженні ШІ:

• біонічний, що розглядає проблеми штучного відтворення структур та процесів, що лежать в основі процесу рішення задач людиною та характерні для її мозку. Нейроінформатика намагається за допомогою моделювання окремих нейронів і складених із них схем відтворити психофізіологічну діяльність людського мозку з метою створення штучного розуму;

• функціональний, що полягає у відтворенні за допомогою існуючих моделей комп’ютерів окремих функцій людського інтелекту - класифікації, розпізнавання образів, логічного виведення, навчання і прийняття рішень, спілкування природними мовами.

Основні періоди історії розробок систем ШІ:

• 60-ті - спроби змоделювати основні інтелектуальні процеси,  що властиві людині: вільний діалог, доказ тверджень, різноманітні інтелектуальні ігри (подібні шахам), створення віршів, музичних творів тощо;

• 70-ті роки - розроблення підходів до формального подання знань, спроби звести інтелектуальну діяльність до формальних перетворень символів;

• 80-ті роки - розроблення спеціалізованих інтелектуальних систем, що мають прикладне значення (експертних систем);

• 90-ті роки - роботи зі створення ЕОМ 5-го покоління та програмного забезпечення для них.

Основні напрямки ШІ:

I. Розпізнавання образів (pattern recognition).

2. Автоматичний доказ теорем.

3. Ігри, що характеризуються скінченною кількістю ситуацій і чіткими правилами, із самого початку досліджень з ШІ привернули до себе увагу як полігон для застосування нових методів. Інтелектуальні системи швидко досягли і перевершили рівень людини середніх здібностей, проте рівень найкращих спеціалістів не досягнуто дотепер.

4. Розв’язання задач, що зустрічаються в повсякденному житті та потребують винахідливості і здатності до узагальнення.

5. Розуміння природної мови - задача аналізу і генерації текстів, їх внутрішнього подання, виявлення знань, необхідних для розуміння текстів.

6. Виявлення і подання знань спеціалістів певної предметної області в експертних системах.

7. Машинне навчання (machine learning) ставить задачу автоматичного здобуття та формування знань на основі аналізу та узагальнення даних. Цей напрямок ШІ зараз активно розвивається. З ним тісно пов’язані системи аналізу даних (data mining) та дослідження знань (knowledge discovery).

8. Інтелектуальні роботи - електротехнічні пристрої, що призначені для автоматизації фізичної праці людини. У цьому напрямку широко використовуються теоретичні розробки, пов’язані з програмними агентами. Основна проблема робототехніки полягає в плануванні рухів та управлінні маніпуляторами з ціллю реалізації запланованих дій.

Нейронні мережі

Нейробіонічний підхід до проблеми ШІ ґрунтується на використанні принципів роботи мозку для конструювання інтелектуальних систем. Основу нейрокомп’ютерів становлять нейронні мережі - ієрархічно організовані паралельні з'єднання адаптивних елементів - нейронів, поєднаних один з одним каналами обміну інформацією для спільної роботи, що забезпечують взаємодію з об'єктами реального світу так само, як і біологічна нервова система.

Основні відмінності нейрокомп’ютера від звичайної ЕОМ:

• паралельна робота великої кількості простих обчислювальних пристроїв, що забезпечує величезну швидкодію;

• здатність до навчання шляхом настроювання параметрів мережі;

• висока відмовостійкість і перешкодостійкість мережі;

• проста будова окремих нейронів, що дозволяє використовувати нові фізичні принципи обробки інформації для апаратної реалізації нейромереж.

Нейрон — елементарний перетворювальний елемент, складова частина нейромережі, у свою чергу, складається з елементів трьох типів - синапсів, суматора і нелінійного перетворювача.

Розв’язання задачі на нейрокомп'ютері принципово відрізняється від розв’язання тієї ж задачі на звичайній ЕОМ. Нейрокомп'ютеру «показують» вхідні дані задачі і результат, що відповідає цим даним. Нейрокомп'ютер має сам побудувати алгоритм рішення цієї задачі, щоб видати відповідь, що збігається з правильною. Природно очікувати, що чим більше різних пар “вхідні дані-результат” отримує нейрокомп'ютер, тим адекватнішу модель задачі він сформулює. Більше того, якщо після етапу навчання нейрокомп'ютеру надати вхідні дані, яких він раніш не зустрічав, то він теж має знаходити правильні результати. У цьому й полягає здатність нейрокомп'ютера до узагальнення.

Класифікація методів навчання нейронних мереж:

• За способом використання вчителя:

• З вчителем. Мережа отримує приклади вхідних даних і результуючі дані, що мають бути сформовані в процесі обробки вхідної інформації. Обробивши вхідні дані, мережа порівнює отриманий нею результат з бажаним. Якщо вони не збігаються, то мережа здійснює корекцію вагових коефіцієнтів.

• З послідовним підкріпленням знань. У цьому разі мережу не повідомляють, які результуючі дані вона має сформувати, але виставляють оцінку тим результатам, які бути сформовані мережею в результаті обробки вхідних даних.

• Без вчителя. Мережа самостійно виробляє правила навчання шляхом знаходження оціночних ознак серед вхідних даних.

• За використанням елементів випадковості:

• Детерміновані методи, в яких крок за кроком здійснюється процедура корекції ваг мережі, що базується на використанні поточних значень, вхідної та вихідної інформації.

• Стохастичні методи, що базуються на використанні випадкових змін ваг у процесі навчання.

Формальні методи в системах штучного інтелекту

Міркування - один із найважливіших видів розумової діяльності людини, завдяки якому вона формулює на основі деяких пропозицій, висловлювань, суджень нові пропозиції, висловлювання, судження. Справжній механізм міркування людини залишається поки недостатньо дослідженим. Людським міркуванням властиві неформальність, нечіткість, нелогічність, широке використання образів, емоцій і почуттів, що робить надзвичайно складним їх дослідження і моделювання.

Загалом людині властиві такі види міркувань: від загального до окремого - дедуктивні; від окремого до загального - індуктивні; від окремого до окремого - традуктивні (за аналогією). Найбільш вивчені в даний час природа і механізми дедуктивних міркувань.

Логіка в найбільш загальному значенні - наука про закони мислення. Логіка вивчає побудову міркувань, що гарантують отримання правильних висновків з істинних посилок. Вона надає засоби точного формулювання думок, що підвищує ефективність будь-якої інтелектуальної діяльності.

Математична (символьна) логіка будується на основі загальнолюдської і дозволяє застосувати математичні методи до міркувань. Інтерес до логіки зростає у зв'язку зі спробами навчити машину робити логічні висновки.

У логіці виділяють такі форми мислення: поняття, висловлювання і міркування.

Поняття про предмет надає можливий варіант відповіді на питання “Що це?”. З поняттям пов'язуються найбільш істотні ознаки предмета. Основними типами визначення понять є:

• порівняння - встановлення подібності або різниці між поняттями;

• аналіз - поділ цілого на складові частини;

• синтез - створення цілого зі складових частин (ознак, властивостей, відношень тощо);

• абстрагування - виділення в якомусь понятті певних ознак при відволіканні від інших;

• узагальнення - об'єднання різноманітних об'єктів в однорідні групи на підставі загальних ознак;

• індукція - правило породження з окремих прикладів нових об’єктів.

Усі поняття поділяються на ряд класів:

• залежно від відображення виду або роду об’єктів – на видові і родові;

• залежно від кількості відображуваних об’єктів – на одиничні і загальні;

• залежно від відображення об’єктів або властивості, що абстрагується від об’єктів , – на конкретні й абстрактні.

Інтенсіональне визначення - це визначення поняття через більш загальне поняття (більш високого рівня абстракції) з наведенням специфічних видових властивостей.

Екстенсіональне визначення - це визначення поняття через поняття нижчого рівня ієрархії або через факти та дані, що належать до цього поняття.

Кожне поняття має зміст і обсяг. Зміст – це комплекс ознак предмета в даному понятті, а обсяг – це сукупність об'єктів, що входять у дане поняття. Зміст поняття визначається в результаті логічної операції визначення поняття.

Класифікація – це розподіл об’єктів на класи за найістотнішими ознаками, що властиві цим об’єктам та відрізняють їх від об’єктів інших класів, при цьому кожен клас може поділятися на підкласи.

Поняття – це матеріал для побудови висловлень. З граматичної точки зору висловлення – це просте речення. У висловленнях міститься інформація про предмети, явища, процеси тощо. Висловлення можуть бути істинними або хибними. Елементарне висловлення складається із суб'єкта А (логічний підмет - те, про що йдеться у висловленні), предиката Р (логічний присудок - те, що затверджується або заперечується у висловленні про суб'єкт), і квантора (“усі” -  або “існує” - ). Логічний зв'язок між суб'єктом і предикатом висловлення - це зв’язок “є” або “не є”, який у самому реченні може міститися неявно.  Відповідність або невідповідність цього зв'язку реальності визначає істинність або хибність судження. Приклад істинного висловлювання: “Штрих-код використовують для маркування товарів”, хибного – “Усі ІС використовують одну ОС”.

Найпростішим видом міркувань є отримання з одного або кількох висловлень нового висловлення.

З висловлень А₁, А₂,... , А_n випливає висловлення В, якщо В істинно завжди, якщо істинні А₁, А₂,... , А_n.

Похідні висловлення - посилки, а нове висловлення В - висновок (наслідок). Можливість виведення висновку з посилок забезпечується логічним зв'язком між ними. Перевірити слушність виведення з посилок можна логічними засобами, не звертаючись до безпосереднього досвіду.

Істинні з погляду логіки висновки будуються за допомогою правил логічного виведення.

Залежно від наявності проміжних кроків міркування поділяються на безпосередні й опосередковані.

Нові знання можуть бути отримані різними способами. Можна вивести їх як логічний наслідок з уже існуючих знань, вивести загальне правило з наявних фактів або перенести факти та знання, істинні для одних об’єктів, на інші об’єкти на підставі їх подібності.

З цієї точки зору міркування поділяють на:

• дедуктивні (від загального до часткового);

• індуктивні (від часткового до загального);

• за аналогією (від часткового до часткового).

Якщо процес міркування йде від одиничних чи окремих фактів до загального правила, що поширюється на ці одиничні чи окремі факти, то має місце індуктивний умовивід.

У дедуктивному умовиводі процес міркування йде від загального правила до знання про одиничний, окремий або менш загальний факт, на який поширюється загальне правило.

На відміну від індукції і дедукції в традуктивному умовиводі  посилка і висновок є судженнями однакового рівня узагальнення, тобто процес виведення йде від знання певного ступеня узагальнення до нового знання того ж ступеня узагальнення.

Дедуктивні міркування мають найбільшу доказовість, а міркування за аналогією - найменшу.

Дедуктивні міркування

Дедукція - це виявлення наслідків, що неявно містяться в наявній інформації. У дедуктивних міркуваннях:

1) вихідні посилки міркування є істинними;

2) правильне використання істинних посилок породжує тільки істинні висновки.

У логіці особливу роль відіграють логічні форми, істинність яких справедлива внаслідок їхньої структури. Їх називають тавтологіями, або загальнозначущими формами (приміром, А=А). Правила виведення в дедуктивних міркуваннях по суті описують тавтології.

Розглядаються два види формальних логічних конструкцій: терми - аналоги імен іменників, і формули - аналоги речень.

Слова "НЕ", "ТА", "АБО", "ЯКЩО... ТОДІ", "ТОДІ І ТІЛЬКИ ТОДІ", квантори "ІСНУЄ" та "УСІ" і деякі інші називаються логічними зв'язками (операторами) і позначають логічні операції, за допомогою яких із виразів, що позначають деякі поняття, формують більш складні судження. Особливо важливе значення має імплікація, оскільки саме вона використовується у запису продукцій.

Складні висловлення залежно від зв'язки поділяють на

• сполучні: зв'язка ТА;

• роздільні: зв'язка АБО, що застосовується у двох варіантах:

1) нестрога диз'юнкція "АБО А, АБО В, АБО ОБИДВА";

2) строга диз'юнкція - "АБО А, АБО В" (виключне АБО - припускається тільки одна з альтернатив);

• умовні (зв'язка "ЯКЩО . . . ТОДІ" - імплікація);

• судження еквівалентності (зв'язка "ТОДІ І ТІЛЬКИ ТОДІ");

• змішані висловлення (використовують різноманітні зв'язки)

Змінні, яким відповідають квантори, називають зв'язаними. 

Апарат дедуктивного виведення використовується людиною відносно рідко: майже всі знання за межами математики і доказової логіки складаються з припущень, підкріплених правдоподібними міркуваннями. Проте дедуктивна логіка вивчена значно повніше порівняно з проблемою правдоподібних міркувань.

Індуктивні міркування

Індукція – це метод переходу від набору спостережень до загальної закономірності, яка відповідає всім цим спостереженням.

Індуктивне виведення - це виведення з наявних даних (спостережень, фактів) загальної закономірності (правила), що їх пояснює. Отримана гіпотеза використовується для пояснення наявних даних і класифікації та прогнозування нових даних.

Розрізняють повну (математичну) та неповну (емпіричну) індукцію. Індуктивні міркування від часткового до загального відображають природний шлях пізнання навколишнього світу: загальні твердження виникають внаслідок узагальнення отриманої з досвіду сукупності одиничних фактів. Загальне твердження є хибним, якщо його спростовує хоч один факт.

Повна індукція  - це формальне доведення істинності певної закономірності шляхом її перевірки для скінченної кількості фактів та обґрунтування того, що додання довільного нового факту не призводить до зміни цієї закономірності.

Повна індукція дозволяє отримати істинні знання за умови обмеженості класу об'єктів, який слід проаналізувати.  Повну індукцію найчастіше застосовують у математиці для доведення теорем. Метод математичної індукції відносно натуральних чисел – це метод доведення істинності певної гіпотези , що полягає у перевірці його істинності для  та доведення того, що з істинності  випливає істинність твердження .

Неповна індукція полягає в знаходженні закономірностей, яким задовольняє скінченна множина отриманих на поточний час фактів.

При цьому знайдені закономірності можуть надалі спростовуватися новими спостереженнями. Хибні висновки можуть виникати внаслідок використання другорядних ознак замість істотних та поспішного узагальнення. Основне призначення неповної індукції – генерація гіпотез, що можуть потім доводитися або спростовуватися іншими методами.

Приміром, узагальнивши три приклади (1<10, 2<10, 3<10), отримуємо, що всі числа менше десяти (), але наступний приклад n=11 суперечить цій гіпотезі, тому що 11>10.

Незалежно від вигляду індуктивної гіпотези та алгоритму її формування на основі вибірки для навчання, завжди існує таке розширення цієї вибірки, на якій сформована гіпотеза є хибною.

Індуктивна логіка - це формальна система, що описує правила формування загальних тверджень на основі скінченної множини окремих тверджень.

Інтелектуальність поведінки системи пов'язана з її здатністю навчатися за власним досвідом, тобто узагальнювати відомі системі факти у деякі загальні правила. Задача індуктивного узагальнення полягає в тому, щоб за набором прикладів (приклад - це пара (x,f(x)), де x - це вхідні дані, а f(x) - значення функції для x) побудувати для функції f функцію-гіпотезу h, що апроксимує f. При виборі засобів подання для такої функції виникає конфлікт між виразністю й ефективністю. Функції можна подати через логічні висловлення, многочлени, нейронні мережі тощо. Найпростішою з таких форм подання є дерева рішень, що можуть використовуватися для широкого спектра задач класифікації.

Дерево рішень - це один із способів поділу множини даних на класи або категорії. Корінь дерева неявно містить усі дані, які слід класифікувати, а листя — певні класи. Проміжні вузли дерева відповідають пунктам прийняття рішення про вибір значень атрибутів даних, що служать для подальшого поділу даних у цьому вузлі.

Дерево рішень – це структура, яка складається з:

• вузлів-листя, де кожному листу відповідає певний клас;

• вузлів прийняття рішень, що специфікують певні процедури встановлення значення атрибутів,

• гілок, що виходять з вузлів прийняття рішень, кількість яких визначається кількістю можливих значень атрибуту.

Можна розглядати дерево рішень і з іншої точки зору: проміжні вузли дерева відповідають атрибутам об'єктів, а дуги — можливим альтернативним значенням цих атрибутів.

Дереву можна поставити у відповідність певне правило класифікації, за яким кожний об'єкт, що має певний набір атрибутів (має множину проміжних вузлів дерева) можна віднести до якогось  класу (набір класів подано множиною значень листя дерева).

Використання дерев рішень звичайно пов'язане з відсівом атрибутів, що не впливають на вибір рішення (так, колір очей пацієнта не впливає на діагноз).

Міркування за аналогією

Для середовищ, що динамічно змінюються, є типовими ситуації, в яких неможливо вивести необхідні знання дедуктивно з наявних даних, а набутого досвіду не вистачає для здійснення індуктивного узагальнення. Але іноді необхідно приймати рішення та планувати свої дії навіть за таких складних умов. У цьому разі звертаються до виведення за аналогією. Таке виведення не є достовірним, а має характер припущення.

Виведення за аналогією - це виведення, в якому посилки стосуються одного об'єкта, а висновок - іншого. Можливість мислення за аналогією дозволяє людині відтворювати вже відомі механізми обробки інформації для нових ситуацій.

Умовивід за аналогією - міркування, у яких з подібності двох об'єктів за деякими ознаками формують висновок про їх подібність за іншими ознаками.

Приклад аналогії: посилка - “З усіх плоских фігур рівної площі найменший периметр має коло”, висновок - “З усіх тіл рівного об’єму найменшу поверхню має куля”.

Предикати

Предикат Р - це конструкція, що відображає якийсь зв'язок між об'єктами або властивостями об'єктів. Предикат - це логічна функція, що приймає значення “істина” або “хиба” залежно від значень своїх аргументів. Кількість аргументів у предиката називають йогоарністю. Об'єкти, зв'язані предикатом Р, називають термами. Терми бувають лише трьох типів:

1) константа (позначає індивідуальний об'єкт або поняття);

2) змінна (позначає в різний час різноманітні об'єкти);

3) складовий терм – функція.

Предикати можуть об'єднуватися у формули за допомогою логічних зв'язок. Формули логіки предикатів визначаються рекурсивно:

• якщо А – предикат, тоді А - це формула;

• якщо А та В - формули, тоді сполучання А та В логічними зв'язками - теж формули.

Інших формул не буває.

Багато формул логіки предикатів використовуютьквантори загальності та існування, які визначають область значень змінних - аргументів предикатів. Квантори зв'язують змінні предикатів, на які вони діють, і перетворюють предикати у висловлення. При інтерпретації предикатів можливі три основні ситуації:

1) формула A здійсненна, тобто існує набір констант x, що робить предикат істинним, -  ;

2) формула A загальнозначуща, тобто вона здійсненна для будь-яких наборів - ;

3) формула нездійсненна (суперечлива), тобто не існує набір констант x, що робить предикат істинним, - .

Формальні теорії

Синтаксична структура понять ПрО звичайно описується формальною теорією, яка дозволяє за допомогою формальних методів отримувати нові твердження про властивості об'єктів або явищ ПрО, що є змістовною інтерпретацією виведених формул.

У алфавіт мови системи входять предметні та предикатні константи, предметні та предикатні змінні, логічні зв'язки і квантори, а також допоміжні символи (дужки, коми тощо).

Множина слів мови складається з правильно побудованих формул. Це насамперед аксіоми, що задаються при побудові теорії. Правила виведення дозволяють одержувати з аксіом новіправильно побудовані формули - теореми. Множина аксіом називається незалежною, якщо жодну з них не можна вивести як теорему із сукупності інших. Часто для спрощення доказу теорем у систему аксіом включають і залежні.

У формальних системах логічного типу в множині аксіом завжди містяться логічні аксіоми, використання яких поряд із специфічними для даної теорії правилами виведення дозволяє формалізувати процес доведення.

Логічне числення - несуперечливе, якщо в ньому не виводяться водночас Р та заперечення Р. У суперечливих численнях може бути виведена будь-яка формула. Цю обставину можна використовувати для доведення несуперечливості числення: досить показати існування в ньому невиведеної формули.

Доведення або спростовання формули називається логічним виведенням. У процесі виведення використовуються набуті раніше формалізовані знання, а не нові експерименти і спостереження.

Нечіткі множини та нечітка логіка

У постановці задач часто зустрічаються елементи нечіткості.  Нечіткість може бути лінгвістичною, тобто виникати з властивостей мови опису задач (приміром, такі характеристики, як “великий” або “малий”, не задають кількісну міру та мають сильну контекстну залежність - так, карликовий бегемот напевно більше крупного хом’яка).

Теорія нечітких множин дає строгий математичний опис розпливчастих тверджень (“fuzzy logic”), дозволяючи тим самим подолати лінгвістичний бар'єр між людиною, судження й оцінки якої є наближеними і нечіткими, і комп’ютерами, здатними виконувати тільки чіткі інструкції.

Зараз існує кілька підходів до формалізації нечітких понять. Один з них - нечіткі множини Заде. Він долає обмеження класичної теорії множин щодо того, що елемент може або належати, або не належати множині. Вводиться характеристична функція належності, що приймає свої значення на інтервалі від 0 до1.

Галузь застосування нечітких множин дуже широка і різноманітна. У царині аналізу великих систем, таких, як управління економікою країни або галузі, з'являється можливість моделювання невизначеності, яка подається у градаціях поінформованості центру про нижчі рівні. У галузі лінгвістики – це моделювання змісту речень і текстів за допомогою розподілу можливостей, які описують функції належності. В техніці теорія нечітких алгоритмів стимулює розвиток гнучких автоматизованих виробництв і робототехнічних комплексів, зокрема, роботів, здатних виконувати окремі інтелектуальні дії людини. Теорія нечітких множин корисна при створенні діалогових систем з мовою спілкування, близькою до природного.

Між ШІ і теорією нечітких множин існує тісний взаємозв'язок, що випливає з тези Л. Заде про те, що «людина мислить не числами, а нечіткими поняттями».

Експертні системи

ЕС акумулює знання експертів, щоб надати можливість використовувати їх менш кваліфікованим користувачам. Вона на основі обробки цих знань може давати інтелектуальні поради, приймати рішення на рівні експерта-професіонала, а також пояснювати процес знаходження того або іншого рішення.

ЕС - це програма, що поводиться як експерт в певній вузькій ПрО. ЕС мають розв’язувати задачі з невизначеними і неповними вихідні даними, застосовуючи для цього експертні знання. Ці системи надають пояснення своєї поведінки і свого рішення, але відповідальність за прий­няте рішення несе особисто користувач.ЕС мають широке практичне застосування. Розроблені ЕС у науці (класифікація тварин і рослин за видами), у медицині (постановка діагнозу, аналіз електрокардіограм, визначення методів лікування), у техніці (пошук несправностей у технічних пристроях), у соціології, криміналістиці, лінгвістиці тощо.

Прийнято виділяти в ЕС три основні модулі:

• база знань;

• машина виведення;

• інтерфейс із користувачем.

Оцінка ЕС користувачем значною мірою залежить від того, наскільки праця з експертною системою схожа на співробітництво з експертом, і, відповідно, істотно залежить від якості пояснень, які система надає користувачеві у відповідь на його запитання. Важлива риса ЕС - їх адаптивність, тобто здатність до навчання.

Для функціонування ЕС її БЗ має бути наповнена знаннями. Для цього запрошують експертів - висококваліфікованих спеціалістів у тій галузі, для якої розробляється ЕС. Їх завдання — формально описати всі свої знання, потрібні для функціонування ЕС. У БЗ містяться знання двох типів:

1) загальновідомі факти, явища, закономірності даної ПрО;

2) набір емпіричних правил, за якими спеціалісти приймають рішення за умов невизначеності, непов­ноти та суперечливості інформації.

Класифікація ЕС за призначенням

ЕС, що виконують інтерпретацію, як правило, використовують інформацію від датчиків для опису ситуації. Приміром, це може бути інтерпретація показників вимірювальних приладів на заводі для визначення стану процесу. Такі ЕС мають справу не з чіткими символьними поданням проблемної ситуації, а безпосередньо з реальними даними. Це призводить до ускладнень, яких немає в інших ЕС, тому що їм доводиться обробляти інформацію недостатню, неповну, ненадійну або помилкову. Вони використовують спеціальні методи реєстрації характеристик безупинних потоків даних, сигналів або зображень і методи їх символьного подання.

ЕС, що здійснюють прогноз, визначають імовірні наслідки заданих ситуацій. Прикладами проблем, що вирішують такі ЕС, служать прогноз збитків врожаю від деяких видів шкідливих комах, оцінка попиту на нафту на світовому ринку, прогнозування місця виникнення наступного збройного конфлікту на підставі даних розвідки. Системи прогнозування іноді використовують імітаційне моделювання, тобто програми, що відображають причинно-наслідкові взаємозв'язки в реальному світі, щоб генерувати ситуації або сценарії, які можуть виникнути за тих або інших вхідних даних. Можливі ситуації разом із знаннями про процеси, що породжують ці ситуації, утворюють передумови для прогнозу. Поки що розроблено порівняно мало систем для прогнозування, можливо, тому, що дуже важко взаємодіяти з імітаційними моделями і створювати їх.

ЕС виконують діагностику, використовуючи описи ситуацій, характеристики поведінки або знання про конструкцію компонентів, щоб установити ймовірні причини неправильного функціонування системи. Прикладами служать визначення причин захворювання за симптомами, що спостерігаються в пацієнтів; локалізація несправностей в електронних схемах і визначення відмов у системі охолодження ядерних реакторів. Діагностичні системи часто є консультантами, що не тільки ставлять діагноз, але і допомагають у налагоджуванні. Вони можуть взаємодіяти з користувачем, щоб надати допомогу в пошуку несправностей, а потім запропонувати порядок дій з їх усунення. Медицина - це цілком природна галузь для діагностики, і дійсно, у ній було розроблено більше діагностичних систем, чим у будь-який іншій ПрО, проте зараз багато діагностичних систем розробляють для застосування в інженерній справі та комп'ютерних системах.

ЕС, що виконують проектування, розробляють конфігурацію об'єктів, враховуючи обмеження ПрО. Прикладами можуть служити генна інженерія та синтез складних органічних молекул.

ЕС, зайняті плануванням, проектують дії; вони визначають повну послідовність дій перед тим, як починається їх виконання. Прикладами можуть служити створення плану використання послідовності хімічних реакцій для синтезу складних органічних сполук або створення плану повітряного бою з метою нейтралізації певного чинника боєздатності ворога.

ЕС, що виконують спостереження, порівнюють справжню поведінку системи з її очікуваною поведінкою. Приміром,  спостереження за показаннями вимірювальних приладів у ядерних реакторах мають виявляти аварійні ситуації, а оцінка даних моніторингу хворих у блоках інтенсивної терапії – небезпеку для життя людини. ЕС порівнюють результати спостереження з даними, що притаманні стандартним ситуаціям. Такі ЕС за самою своєю природою мають працювати в режимі реального часу і здійснювати залежну як від часу, так і від контексту інтерпретацію поведінки об'єкта спостереження.

ЕС, що навчають, аналізують та коригують поведінку того, кого навчають. Ці системи створюють модель знань того, хто навчається, і модель того, як він ці знання застосовує до рішення проблеми. ЕС діагностує помилки і вказує на них, здійснює аналіз і будує плани виправлень цих помилок.

ЕС, що здійснюють управління, адаптивно управляють поведінкою системи в цілому. Приклади - управління виробництвом і розподілом комп'ютерних систем або контроль за станом хворих при інтенсивній терапії. Такі ЕС мають містити компоненти спостереження, щоб відслідковувати поведінку об'єкта.

“Порожні” ЕС - це інструментальні засоби для побудови інших ЕС. Вони не містять конкретних правил ПрО. Прикладом такої системи є інструментальний комплекс ІндЕкс, розроблений автором даної глави, що призначається для автоматичної розробки консультуючих систем. Цей комплекс містить бібліотеку алгоритмів індуктивного здобуття знань, підсистему візуалізації дерева рішень у вигляді Р-графів, інтелектуальний користувацький інтерфейс, засоби пояснення та механізм інтерпретації дерева рішень. Система здатна обробляти неповні та нечіткі дані. За допомогою ІндЕкс були створені прикладні ЕС для оцінки якості геологічних досліджень, для прогнозування масового розмноження шкідливих комах, для оптимізації медико-біологічних досліджень осіб, що потерпіли внаслідок аварії на Чорнобильській АЕС, економічного прогнозування тощо.

За зв’язком з реальним часом ЕС поділяють на:

• статичні;

• квазідинамічні;

• динамічні.

Статичні ЕС розробляються для ПрО, в яких БЗ та дані, що вона інтерпретує, стабільні та незмінні. Приклад статичної системи – ЕС для діагностики несправностей автомобіля.

Квазідинамічні ЕС здатні інтерпретувати ситуацію, що змінюється за певний інтервал часу. Приклад квазідинамічної системи – ЕС для обробки лабораторних вимірів технологічного процесу.

Динамічні ЕС здатні обробляти інформацію від датчиків у режимі реального часу. Приміром, динамічні ЕС використовують для управління гнучкими виробничими комплексами.

Системи підтримки прийняття рішень

Системи підтримки прийняття рішень (СППР) виникли на початку 70-х років завдяки розвитку ІС для підтримки процесів прийняття рішень управлінських в складних і слабо структурованих ситуаціях, пов'язаних з розробленням і прийнят­тям рішень. Термін “системи підтримки прийняття рішень” (DSS - Decision Support System) було запропоновано у 1971р. С.Горрі та С.Мортоном для програмних засобів, призначених допомагати у  прийнятті управлінських рішень.

Звичайно під СППР розуміють інтерактивну систему, яка забезпечує особам, що приймають рішення (ОПР), засоби доступу до даних і моделей для вирішення неструктурованих і слабо структурованих проблем.

СППР використовують для підтримки різних видів діяльності в ситуаціях, де неможливо або небажано мати автоматичну систему, що повністю виконує весь процес рішень. Пріоритетні галузі використання СППР – це фінансова діяльність, урядова діяльність, промисловість.

Підтримка процесу прийняття рішень має забезпечувати:

• допомогу ОПР при аналізі й оцінці ситуації та обмежень, що накладається зовнішнім середовищем;

• виявлення переваг ОПР;

• генерацію списку припустимих для ОПР альтернатив;

• оцінку можливих альтернатив, виходячи з переваг ОПР та обмежень, що накладаються зовнішнім середовищем;

• узгодження рішень групи ОПР, якщо це необхідно;

• аналіз наслідків прийнятих рішень та оцінку їх ОПР;

• вибір кращого, з погляду ОПР, варіанта.

СППР - це людино-машинна система, яка дозволяє керівнику використовувати свої знання, досвід і переваги, об'єктивні і суб'єктивні моделі, оцінки та дані для реалізації комп'ютерних методів знаходження рішень. Вона виконує:

• аналіз ситуації з урахуванням суб'єктивних переваг керівника;

• генерацію припустимих для керівника варіантів рішень;

• узгодження групових рішень на основі переваг керівників;

• прогнозування наслідків можливих рішень;

• оцінку можливих рішень відповідно до переваг керівника;

• вибір рішення відповідно до переваг керівника.

Основні властивості СППР

Інтерактивність - система озивається на різного роду дії, якими людина має намір вплинути на обчислю­вальний процес. Людина і сис­тема обмінюються інформацією в темпі обробки інформації людиною. Проте практика свідчить, що надто мало керівників бажають і вміють вести прямий діалог з комп'ютером. Більшість з них віддає перевагу взаємодії з систе­мою через посередника або в режимі непрямого доступу, де можлива пакетна обробка інформації. Водночас властивість інтерактивності необхідна при дослідженні нових проблем і ситуацій, при адаптивному проектуванні прикладних СППР.

Інтегрованість забезпечує сумісність складових систе­ми, що управляють даними та користувацьким інтерфейсом. Потужність означає спроможність системи відповідати на складні питання. Доступність — це здатність відповідати на запити користувача в потрібній й зрозумілій йому формі і за прийнятний час. Гнучкість характеризує можливість системи адаптуватися до змін потреб користувача та для прийняття рішень у нових ситуаціях. Надійність полягає в здатності системи виконувати потрібні функції впродовж заданого періоду часу.

Робастість — це ступінь здатності системи відновлюватися в разі виникнення помилкових ситуацій як зов­нішнього, так і внутрішнього походження (приміром, помилки у вхідній інформації або несправності апаратних засобів). Хоч між надійністю і робастістю існує певний зв'язок, проте ці дві характеристики системи різні: система, що ніколи не поновлюватиметься при виконанні помилкових ситуацій, може бути надійною, але не робастою; система з високим рівнем робастості, що здатна відновлюватися і продовжу­вати роботу при багатьох помилкових ситуаціях, може бути вод­ночас віднесена до ненадійних, оскільки вона не здатна заздале­гідь, до пошкодження виконати необхідні процедури.

Керованість означає спроможність користувача контролювати дії системи і втручатися в хід розв'язування задачі.

Сучасні СППР здатні:

• надавати особі, яка приймає рішення (ОПР), допомогу в процесі розв’язання структурованих, слабоструктурованих і неструктурованих задач;

• підтримувати міркування та оцінки ОПР (але контроль лишається за людиною);

• підвищувати ефективність прийняття рішень;

• інтегрувати моделі та аналітичні методи зі стандартним доступом до даних.

Архітектура СППР складається з трьох основних підсистем:

• інтерфейсу користувача, що дає змогу ОПР провадити діалог із системою у зручній формі;

• БД, призначеної для зберігання, відбору та відображення інформації;

• бази моделей, яка забезпечує відповіді на запити користувачів та рішення інших аналітичних задач.

Система управління моделями є одним із компонентів архітектури універсальної СППР. Функціями цього компонента є класифікація, організація і доступ до моделей, тобто ці функції аналогічні функції СУБД.

Список літератури

1. Андон Ф.И., Яшунин А.Е., Резниченко В.А. Логические модели интеллектуальных информационных систем. – Киев: Наукова думка, 1999.

2. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. - Спб.: Питер, 2001.

3. Глибовець М.М., Олецький О.В. Штучний інтелект. - К.: "КМ Академія", 2002.

4. Джексон П. Введение в экспертные системы. – М.: Издательский дом «Вильямс», 2001.

5. Плескач В.Л., Рогушина Ю.В., Кустова Н.П. Інформаційні технології та системи. - К.: "Книга", 2004.

6. Поспелов Г.С. Искусственный интеллект - основа новой информационной технологии. - М.: Наука, 1988.

7. Ситник В.Ф. та ін. Системи підтримки прийняття рішень. — К.: Техніка, 1995.

Контрольні питання

1. Що таке штучний інтелект?

2. В яких основних напрямках розвивалися дослідження систем штучного інтелекту?

3. Які формальні методи використовуються в системах штучного інтелекту?

4. Що таке експертні системи?

5.  В яких галузях використовуються експертні системи?

6. Яку структуру має експертна система?

З повагою ІЦ “KURSOVIKS”!