Информационные системы (реализации ИТ)

Информационные системы на базе концепции искусственного интеллекта

Глобализация и интернационализация экономики, все ускоряющаяся динамика бизнеса, жесткая конкуренция и борьба за сырьевые ресурсы все чаще стали приводить к ситуациям, когда в условиях дефицита времени необходимо принять единственно верное деловое решение. Для этого руководителю нужно в сжатые сроки в условиях большой неопределенности проанализировать ситуацию, сформировать варианты решений (Decision Tree), оценить риски и взять на себя ответственность за принятие и реализацию решения. Сделать все это с использованием только "ручных" средств было достаточно сложно, и вследствие этого риск принять неверное решение, был велик. В связи с этим стали развиваться формализованные методы принятия решения в условиях неопределенности, описываемые нечеткой логикой, и создаваться специализированные ИС.

Рассмотрим, в чем состоит различие между четкой (Crisp Logic) и нечеткой (Fuzzy Logic) логикой. В четкой логике ожидаемое следствие всегда однозначно следует заявленной посылке, если заданы четкие правила выполнения условия, например "если А, то Б", или "если А и Б, то В". При нечеткой логике границы выполнения условия не определены или определены нечетко: "если А, то в промежутке времени <T1, Т2> Б может быть много больше В, а может быть почти равно В" – все зависит от начальных и текущих условий, которые могут быстро измениться даже внутри зафиксированного промежутка времени 1, Τ2>•

Алгоритмы для анализа таких ситуаций реализуют, как правило, сценарные варианты развития ситуации с оценкой риска каждого варианта. Соответственно, ИС в таком случае, помимо стандартных функций сбора, хранения и передачи данных, должна содержать модули, реализующие обработку и многовариантный анализ информации. Поскольку развитие бизнес-ситуации может определяться несколькими параметрами, и модели, описывающие такие ситуации, редко бывают линейными, то реальная задача чаще всего сводится к задачам многофакторного оценивания и нелинейной оптимизации. В связи с этим аналитические модули ИС поддержки принятия решения (Decision Support System – DSS), экспертных систем (Expert Information System – EIS), систем поддержки исполнения решения (Executive Support System – ESS), диагностических систем (Diagnostic Information System – DIS), систем распознавания изображений (Image Recognition System – IRS), а также поисковых систем (Searching System) обычно строятся с использованием принципов, называемых принципами искусственного интеллекта.

Искусственный интеллект (Artificial Intelligence) можно определить как совокупность теоретических методов и физических вычислительных устройств, задача которых состоит в воссоздании разумных рассуждений и действий, имеющих целью достижение ожидаемого или нового результата.

В настоящее время в области исследования искусственного интеллекта сложились два основных направления: семиотическое (символьное) – моделирование высокоуровневых процессов мышления человека, основанное на представлении знаковых систем и использовании знаний; нейрокибернетическое (нейросетевое) – моделирование отдельных низкоуровневых структур мозга (нейронов) и алгоритмов их работы.

Отсюда следует, что научный аспект проблемы искусственного интеллекта касается попыток объяснения его работы и исследует возможность построения общих алгоритмов его функционирования. Прикладной аспект ИИ включает в себя компьютерное решение разнообразных задач, не имеющих явного алгоритмического решения, или многовариантных задач типа "А что если...", т.е. задач с нечеткими целями и нечеткой логикой. При этом используются "человеческие" способы решения таких задач, т.е. имитирование ситуации, когда такую задачу решает человек [8].

В 1950-х гг. появились работы Н. Винера, А. Ньюэлла, Г. Саймана и И. Шоу, исследовавших суть процессов решения различных задач. Результатами стали алгоритмы, компьютерная программа "Логик-теоретик", предназначенная для доказательства теорем в исчислении высказываний, и программа "Общий решатель задач". Эти работы положили начало первому этапу исследований в области искусственного интеллекта, связанному с разработкой алгоритмов и программ для решения задач на основе применения разнообразных эвристических методов. В отличие от алгоритмических методов, позволяющих проводить формальную верификацию правильности, эвристические методы решения задачи рассматриваются как свойственные человеческому мышлению вообще, для которого характерно возникновение интуитивных догадок о пути решения задачи.

Таким образом, общей задачей использования искусственного интеллекта является построение компьютерной интеллектуальной системы, которая обладала бы уровнем эффективности решений неформализованных задач, сравнимым с человеческим или превосходящим его. На рис. 9.1 показана функциональная структура такой системы. В качестве высокоуровневого критерия интеллектуальности предложен мысленный эксперимент, известный как "тест Тьюринга", предложенный Аланом Тьюрингом в 1950 г. в статье "Вычислительные машины и разум" (Computing machinery and intelligence) для проверки, является ли компьютер "разумным" в человеческом смысле слова.

Функциональная структура использования системы искусственного интеллекта

Рис. 9.1. Функциональная структура использования системы искусственного интеллекта[1]

Области применения методов искусственного интеллекта чрезвычайно широки:

  • • доказательства неформальных теорем и решение задач с нечеткой логикой;
  • • теория игр, исследование игровых ситуаций и возможности синтеза решений (теория и практика компьютерных шахмат);
  • • распознавание образов (символов, текстов, речи, изображений и т.д.) в целях поиска, обработки и адаптации;
  • • адаптивное программирование;
  • • имитация творческой деятельности – сочинение литературных текстов, стихов, музыки;
  • • обработка и трансформация данных на естественных языках, машинный перевод;
  • • машинное зрение, построение виртуальной реальности;
  • • обучающиеся системы на базе нейросетей;
  • • управляющие системы и робототехника (автомобилестроение, авиация, космонавтика, человекоподобные многофункциональные роботы);
  • • построение специализированных информационных систем для поддержки бизнеса.

Класс технологий и систем, созданных на базе таких принципов и предназначенных для поддержки принятия делового решения в условиях развивающейся неопределенности, стал широко применяться в бизнесе и получил название "системы интеллектуального анализа данных" (Business Intelligence). Впервые этот термин был введен в обращение аналитиками "Gartner" в конце 1980-х гг. как пользователецентрический процесс, который включает в себя доступ к информации и ее исследование, анализ, выработку интуиции и понимания, которые ведут к улучшенному и неформальному принятию решений. Позже, в 1996 г. появилось уточнение – это инструменты для анализа данных, построения отчетов и запросов, которые могут помочь бизнес-пользователям преодолеть сложности с обработкой, интерпретацией и представлением данных для того, чтобы синтезировать из них значимую информацию. Эти инструменты в совокупности попадают в категорию, называемую "инструменты бизнес-интеллекта" (Business Intelligence Toolware) [2].

Сегодня категории BI-продуктов включают в себя: В1-инструменты и BI-приложения. Выделяют следующие виды В1-инструментов:

  • • генераторы запросов и отчетов (Query/Report Generator – QRG);
  • • развитые BI-инструменты – прежде всего инструменты оперативной аналитической обработки данных (On-line Analytical Processing – OLAP);
  • • корпоративные BI-наборы (Enterprise BI Suites – EBIS) различной конфигурации, встраиваемые в ERP-системы;
  • • BI-платформы.

Многомерные OLAP-серверы, а также реляционные OLAP-механизмы являются BI-инструментами и инфраструктурой для BI-платформ, на базе которых разрабатываются разнообразные приложения с "заказными" пользовательскими интерфейсами. Указанные инструменты применяются для доступа к данным, их многомерного и многофакторного анализа и генерации отчетов по данным, которые чаще всего располагаются в различных витринах (оперативных складах), базах или хранилищах данных. В качестве примера BI-приложения можно указать ИС (подсистему) поддержки деятельности руководителя (Executive Support System – ESS). Обычно BI-приложения ориентированы на конкретные важные функции организации, такие, как анализ тенденций рынка, оценка рисков, анализ и прогноз продаж, планирование бюджета и т.п. Они могут применяться и более широко: для построения сбалансированных систем показателей (ССП) (Balanced Scorecard System) или управления эффективностью предприятия в целом (Enterprise Perfomance Management). На рис. 9.2 показан пример общей корпоративной архитектуры BI-архитектуры.

Методы и системы интеллектуального анализа данных, построенные на базе нейронных самообучающихся сетей, находят разнообразное применение при создании современных ИС. Это большой класс систем, архитектура которых имеет некоторую аналогию с построением нервной ткани из нейронов. В одной из наиболее распространенных архитектур – многослойном персептроне с обратным распространением ошибки – имитируется работа нейронов в составе иерархической сети, где каждый нейрон более высокого уровня соединен своими входами с выходами нейронов нижележащего слоя.

Пример общей корпоративной В1-архитектуры

Рис. 9.2. Пример общей корпоративной В1-архитектуры

На нейроны самого нижнего слоя подаются значения входных параметров, на основе которых нужно принимать какие-то решения, прогнозировать развитие ситуации и т.д. Эти значения рассматриваются как сигналы, передающиеся в следующий слой, ослабляясь или усиливаясь в зависимости от числовых значений (весов), приписываемых межнейронным связям. В результате на выходе нейрона самого верхнего слоя вырабатывается некоторое значение, которое рассматривается как ответ – реакция всей сети на введенные значения входных параметров.

Схема интеллектуальной самообучающейся подсистемы

Рис. 9.3. Схема интеллектуальной самообучающейся подсистемы

Для того чтобы сеть можно было применять в дальнейшем, ее прежде надо "натренировать" на полученных ранее данных, для которых известны и значения входных параметров, и правильные ответы на них. "Тренировка" состоит в подборе весов межнейронных связей, обеспечивающих наибольшую близость ответов сети к известным правильным ответам. На рис. 9.3 приведена схема "интеллектуальной самообучающейся подсистемы", которая может быть использована в составе экспертной, диагностической, поисковой и прочих подобных систем. Программа работы "запускает" набор начальных данных, граничных условий и приблизительное условие выхода из итерационной цепи. Эти параметры связаны с наборами известных ситуаций и известными решениями. Нейронная сеть анализирует данные, выявляет корреляции, а затем выбирает наборы наиболее вероятных решений. Этот набор образует начальную модель. Далее параметры варьируются и добавляются новые данные и правила, генерируемые с помощью блока эвристики. Когда перебор вероятных значений не приводит к улучшению модели, срабатывает условие выдачи окончательного прогноза.

В последнее время активно развиваются эволюционные алгоритмы, которые предполагают создание некоторых популяций программ, их обучение, мутации, скрещивание (обмен частями программ) и тестирование на выполнении целевой задачи. Программы, работающие лучше всего, выживают, и после множества поколений получается наиболее эффективная программа. Весьма эффективны методы создания интеллектуальных поисковых и информационных систем с использованием технологий активных агентов (Multi-Agent System), которые действуют в информационном пространстве, интерпретируя поставленную задачу в зависимости от условий и результатов поиска. Под агентом понимается программная или программно-аппаратная сущность, способная действовать в интересах достижения целей, поставленных перед ним пользователем. Уровень интеллектуальности агента можно оценить как его способность использовать "старые" и строить "новые" знания для выполнения поставленной задачи в заранее неизвестных ему ситуациях и проблемных областях, где оцениваемый агент применяется как активный решатель задач. На рис. 9.4 представлена схема система интеллектуальной поддержки принятия решения на основе технологии мультиагентных систем.

Уже начаты первые проекты по моделированию на компьютере реалий человеческого мозга. Так, проект IBM Blue Brain ставит цель научиться к 2010 г. модельно симулировать работу той части мозга, которая отвечает за восприятие, моторные функции, пространственное воображение, язык и сознание. По количеству элементов и скорости вычислений человеческий мозг пока еще впереди, но если и дальше будет действовать закон Мура, то недолго осталось до того времени, когда способности искусственного интеллекта сравняются с человеческими возможностями.

Схема системы интеллектуальной поддержки принятия решения на основе технологии мультиагентных систем

Рис. 9.4. Схема системы интеллектуальной поддержки принятия решения на основе технологии мультиагентных систем[2]

Схема системы интеллектуальной поддержки принятия решения на основе технологии мультиагентных систем (продолжение)

Рис. 9.4. Схема системы интеллектуальной поддержки принятия решения на основе технологии мультиагентных систем (продолжение)

  • [1] См.: Морозов, Μ. Н. Системы искусственного интеллекта / Μ. Н. Морозов. [Электронный ресурс] Режим доступа: marstu.mari.ru:8101/mmlab/ home/AI/index.html.
  • [2] См.: Четное, Г. П. Применение технологии многоагентных систем интеллектуальной поддержки принятия решения / Г. П. Чекинов, С. Г. Чекинов // Системотехника. – 2003. – № 1. [Электронный ресурс] Режим доступа: systecb.miem.edu.ru/2003/nl/Chekinov.htm.
 
< Пред   СОДЕРЖАНИЕ     След >