Классификация интеллектуальных информационных систем

Лекция 2. Классификация интеллектуальных  информационных систем

Особенности и признаки  интеллектуальности  информационных систем. Системы с интеллектуальным интерфейсом. Экспертные системы. Самообучающиеся системы. Адаптивные информационные системы.

 

Особенности и признаки  интеллектуальности  информационных систем

            Любая информационная система  (ИС) выполняет следующие функции:  воспринимает вводимые пользователем информационные запросы и необходимые исходные данные, обрабатывает введенные и хранимые в системе данные в соответствии с известным алгоритмом и формирует требуемую выходную информацию. С точки зрения реализации перечисленных функций ИС можно рассматривать как фабрику, производящую информацию, в которой заказом является информационный запрос, сырьем - исходные данные, продуктом - требуемая информация, а инструментом (оборудованием) - знание, с помощью которого  данные преобразуются в информацию.

            Знание имеет двоякую природу: фактуальную и операционную.

· Фактуальное знание - это осмысленные и понятые данные. Данные сами по себе - это специально организованные знаки на каком-либо носителе.

· Операционное знание - это те общие зависимости между фактами, которые позволяют интерпретировать данные или извлекать из них  информацию. Информация по сути - это новое и полезное знание для решения каких-либо задач.

Рекомендуемые материалы

            Часто фактуальное знание называют экстенсиональным (детализированным), а операционное знание - интенсиональным (обобщенным).

            Процесс извлечения информации из данных сводится к адекватному соединению операционного и фактуального знаний и в различных  типах ИС выполняется по-разному. Самый простой путь их соединения заключается в рамках  одной прикладной программы:

            Программа = Алгоритм (Правила преобразования данных +

                                       Управляющая структура) + Структура данных

 

            Таким образом, операционное знание (алгоритм) и фактуальное знание (структура данных) неотделимы друг от друга. Однако, если в ходе эксплуатации ИС выяснится потребность в модификации одного из двух компонентов программы, то возникнет необходимость ее переписывания. Это объясняется тем, что полным знанием проблемной области обладает только разработчик ИС, а программа служит “недумающим исполнителем” знания разработчика. Конечный же пользователь вследствие процедурности и машинной ориентированности представления знаний понимает лишь внешнюю сторону процесса обработки данных и никак не  может на него влиять.

            Следствием перечисленных недостатков является плохая жизнеспособность ИС или неадаптивность к  изменениям информационных потребностей. Кроме того, в силу детерминированности алгоритмов решаемых задач ИС не способна к формированию  у  пользователя  знания о действиях в не полностью определенных ситуациях.   

            В системах, основанных на обработке баз данных (СБД - Data Base Systems), происходит отделение фактуального и операционного знаний друг от друга. Первое организуется в виде базы данных, второе - в виде программ. Причем программа может автоматически генерироваться по запросу пользователя (например, реализация SQL или QBE запросов). В качестве посредника между программой и базой данных выступает программный инструмент доступа к данным - система управления базой данных (СУБД):

            СБД = Программа <=> СУБД <=> База данных

            Концепция независимости программ от данных позволяет повысить гибкость ИС по выполнению произвольных информационных запросов. Однако, эта гибкость в силу процедурности представления операционного знания имеет четко определенные границы. Для формулирования информационного запроса пользователь должен ясно представлять себе структуру базы данных и до определенной степени алгоритм решения задачи. Следовательно, пользователь должен достаточно хорошо разбираться в проблемной области, в логической структуре базы данных и алгоритме программы. Концептуальная схема базы данных выступает в основном только в роли промежуточного звена в процессе отображения логической структуры данных на структуру данных прикладной программы.

            Общие недостатки традиционных информационных систем, к которым относятся системы первых двух типов, заключаются в слабой  адаптивности  к  изменениям  в предметной области и информационным потребностям пользователей, в невозможности решать плохо формализуемые задачи, с которыми управленческие работники постоянно имеют дело. Перечисленные недостатки устраняются в интеллектуальных информационных системах (ИИС).

            Анализ структуры программы показывает возможность выделения из программы операционного знания (правил преобразования данных) в так называемую базу знаний, которая в декларативной форме хранит общие для различных задач единицы знаний. При этом управляющая структура приобретает характер универсального механизма решения задач (механизма вывода), который связывает единицы знаний в исполняемые цепочки (генерируемые алгоритмы) в зависимости от конкретной постановки задачи (сформулированной в запросе цели и исходных условий). Такие ИС становятся системами, основанными на обработке  знаний  (СБЗ - Knowledge Base (Based) Systems):

СБЗ = База знаний <=> Управляющая структура <=> База данных

 (Механизм     вывода)

            Следующим шагом в развитии интеллектуальных информационных систем является выделение в самостоятельную подсистему или репозиторий метазнания, описывающего структуру операционного и фактуального знания и отражающего модель проблемной области. В  таких системах и программы, и структуры данных генерируются или компонуются из единиц знаний, описанных в репозитории, каждый раз при изменении модели проблемной области. Будем называть ИИС, обрабатывающие метазнание, системами, основанными на моделях (СБМ - Model Based Systems):

            СБМ = Репозиторий    <=>      Механизм             =>      База данных

                      Модель данных                генерации

                      Модель операций                 или                   =>       Программы

                      Правила связи                  конфигурации

            Для интеллектуальных информационных систем, ориентированных на генерацию алгоритмов решения задач,  характерны следующие признаки:

· развитые коммуникативные способности,

· умение решать сложные  плохо формализуемые задачи,

· способность к самообучению,

· адаптивность.

            Коммуникативные способности ИИС характеризуют способ взаимодействия (интерфейса) конечного пользователя с системой, в частности, возможность формулирования произвольного запроса в диалоге с ИИС на языке, максимально приближенном к естественному.

            Сложные плохо формализуемые задачи - это задачи, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность исходных данных и знаний.

Способность к  самообучению - это возможность автоматического извлечения знаний  для решения задач из накопленного опыта конкретных ситуаций.

Адаптивность - способность к развитию системы в соответствии с объективными изменениями модели проблемной области.

            В различных ИИС  перечисленные признаки интеллектуальности развиты в неодинаковой степени и редко, когда все четыре признака реализуются одновременно. Условно каждому из признаков интеллектуальности соответствует свой класс ИИС (рис. 1.1):

· Системы с интеллектуальным интерфейсом;

· Экспертные системы;

· Самообучающиеся системы;

· Адаптивные системы.

Системы с интеллектуальным интерфейсом

            Интеллектуальные базы  данных отличаются от обычных баз данных возможностью выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющейся  в  базе данных. Примерами таких запросов могут быть следующие:

- “Вывести список товаров, цена которых выше среднеотраслевой”,

- “Вывести список товаров-заменителей некоторой продукции”,

- “Вывести список потенциальных покупателей некоторого товара” и т.д.

            Для выполнения первого типа запроса необходимо сначала проведение статистического расчета среднеотраслевой цены по всей базе данных, а уже после этого собственно отбор данных. Для выполнения второго типа запроса необходимо вывести значения характерных признаков объекта, а затем поиск по ним аналогичных объектов.  Для третьего типа запроса требуется сначала определить список посредников-продавцов, выполняющих продажу данного товара, а затем провести поиск связанных с  ними покупателей.

            Во всех перечисленных типах запросов требуется осуществить поиск по условию, которое должно быть доопределено в ходе решения задачи. Интеллектуальная система без помощи пользователя по структуре базы данных сама  строит путь доступа к файлам данных.   Формулирование запроса осуществляется в диалоге с пользователем, последовательность шагов которого выполняется в максимально удобной для пользователя  форме. Запрос к базе данных может формулироваться и с помощью естественно-языкового интерфейса.

            Естественно-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Для этого необходимо решать  задачи морфологического, синтаксического и семантического анализа и синтеза  высказываний  на  естественном языке. Так, морфологический анализ предполагает распознавание и проверку правильности написания слов по словарям,  синтаксический контроль -  разложение входных сообщений на отдельные компоненты (определение структуры) с проверкой соответствия  грамматическим правилам внутреннего представления знаний и выявления недостающих частей и,  наконец,  семантический анализ - установление смысловой правильности синтаксических  конструкций. Синтез высказываний решает обратную задачу преобразования внутреннего представления информации в естественно-языковое.

            Естественно-языковый интерфейс используется для:

· доступа к интеллектуальным базам данных;

· контекстного поиска документальной текстовой информации;

· голосового ввода команд в системах управления;

· машинного перевода  c иностранных языков.

            Гипертекстовые системы предназначены  для  реализации  поиска  по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются  возможностью  более сложной семантической организации ключевых слов, которая отражает различные смысловые отношения терминов. Таким образом, механизм поиска работает прежде всего с  базой  знаний  ключевых  слов,  а уже затем непосредственно с текстом. В более широком плане сказанное распространяется и  на  поиск мультимедийной информации, включающей помимо текстовой и цифровой информации графические, аудио и видео- образы.

            Системы контекстной помощи можно рассматривать,  как частный случай интеллектуальных гипертекстовых и естественно-языковых систем. В отличие от обычных систем помощи, навязывающих пользователю схему поиска требуемой информации, в системах контекстной помощи пользователь описывает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекомендаций. Такие системы относятся к классу систем распространения знаний (Knowledge Publishing) и создаются как приложение к системам документации (например, технической документации по эксплуатации товаров).

            Системы когнитивной графики  позволяют осуществлять интерфейс пользователя с ИИС с помощью графических  образов, которые  генерируются в  соответствии с происходящими событиями. Такие системы используются в мониторинге и управлении оперативными процессами.  Графические  образы в наглядном и интегрированном виде описывают множество параметров изучаемой  ситуации. Например, состояние сложного управляемого объекта отображается в виде человеческого лица, на котором каждая черта отвечает за какой-либо параметр, а общее выражение лица дает интегрированную характеристику ситуации. 

            Системы когнитивной графики широко используются также в обучающих и тренажерных системах на основе использования принципов виртуальной реальности, когда графические образы моделируют ситуации, в которых обучаемому необходимо принимать решения и выполнять определенные действия.

Экспертные системы

            Назначение экспертных систем  заключается  в  решении  достаточно трудных для экспертов задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области. Достоинство применения экспертных систем заключается в возможности принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным  данным  в виде цепочки рассуждений (правил принятия решений) из базы знаний. Причем решение  задач предполагается осуществлять в условиях неполноты,  недостоверности,  многозначности исходной информации и качественных оценок процессов.

            Экспертная система является инструментом, усиливающим интеллектуальные способности эксперта, и может выполнять следующие роли:

· консультанта для неопытных или непрофессиональных пользователей;

· ассистента в связи с необходимостью анализа экспертом различных вариантов принятия  решений;

· партнера эксперта по вопросам, относящимся к источникам знаний из смежных областей деятельности.

            Экспертные системы используются во многих областях, среди которых лидирует сегмент приложений в бизнесе

Самообучающиеся системы

            В основе  самообучающихся систем лежат методы автоматической классификации примеров ситуаций  реальной  практики (обучения на примерах). Примеры реальных ситуаций накапливаются за некоторый исторический период и составляют обучающую выборку. Эти примеры   описываются множеством признаков классификации. Причем обучающая выборка может быть:

· “с учителем”, когда для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака);

· “без учителя”, когда по степени близости значений признаков классификации система сама выделяет классы ситуаций.

            В результате обучения системы автоматически строятся обобщенные правила или функции, определяющие принадлежность ситуаций классам, которыми обученная система пользуется при интерпретации новых возникающих ситуаций. Таким образом, автоматически формируется база знаний, используемая при решении задач классификации и прогнозирования. Эта база знаний  периодически автоматически корректируется по мере накопления опыта реальных ситуаций, что позволяет сократить затраты на ее создание и обновление.  

            Общие недостатки,  свойственные всем самообучающимся системам, заключаются в следующем:

· возможна неполнота и/или зашумленность (избыточность) обучающей выборки  и,  как  следствие,   относительная адекватность   базы знаний возникающим проблемам;

· возникают  проблемы,  связанные с плохой смысловой ясностью зависимостей признаков и, как следствие, неспособность объяснения пользователям получаемых результатов;

· ограничения в размерности признакового  пространства вызывают неглубокое описание проблемной области и узкую направленность применения.

            Системы, основанные на прецедентах (Case-based reasoning). В этих системах база знаний содержит описания не обобщенных ситуаций, а собственно сами ситуации или прецеденты. Тогда поиск решения проблемы сводится к поиску по аналогии (абдуктивному выводу от частного к частному):

1. Получение подробной информации о текущей проблеме;

2. Сопоставление полученной информации со значениями признаков прецедентов из базы знаний;

3. Выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;

4. В случае необходимости выполняется адаптация выбранного прецедента к текущей проблеме;

5. Проверка корректности каждого полученного решения;

6. Занесение детальной информации о полученном решении в базу знаний. 

            Так же как и для индуктивных систем прецеденты описываются множеством признаков, по которым строятся  индексы  быстрого поиска.  Но в отличие от индуктивных систем допускается нечеткий поиск с  получением  множества  допустимых альтернатив, каждая  из  которых  оценивается  некоторым коэффициентом уверенности. Далее наиболее подходящие решения адаптируются по  специальным алгоритмам  к  реальным ситуациям. Обучение системы сводится к запоминанию каждой новой обработанной ситуации с принятыми решениями в  базе прецедентов. 

            Системы, основанные на прецедентах, применяются как системы распространения знаний с расширенными возможностями или как в системах контекстной помощи (рис.  1.14.).

Описание ситуации (проблемы)

            Не печатает принтер

Вопросы

            Включено ли питание?         да

            Прошло ли тестирование?   да

            Замята ли бумага?                 да

            Подключен ли драйвер?       не знаю

Действия

            Освободите бумагу                уверенность 80

            Загрузите драйвер                  уверенность 50

            Вызовите тех. персонал        уверенность  10

Рис. 1.14. Пример диалога с CBR-системой

            В качестве примера инструментального  средства поддержки  баз знаний прецедентов, распространяемого в России, можно назвать систему CBR-Express (Inference, дистрибьютор фирма Метатехнология).

            Информационные хранилища (Data Warehouse). В отличие от интеллектуальной базы данных информационное хранилище представляет собой хранилище извлеченной значимой информации из оперативной базы данных, которое предназначено для оперативного  анализа данных (реализации OLAP - технологии). Извлечение знаний из баз данных осуществляется регулярно, например, ежедневно.

            Типичными задачами оперативного ситуационного анализа являются:

· Определение профиля потребителей конкретного товара;

· Предсказание изменений ситуации на рынке;

· Анализ зависимостей признаков ситуаций (корреляционный анализ) и др.

            Для извлечения значимой информации из баз данных используются специальные методы (Data Mining или Knowledge Discovery), основанные или на применении многомерных статистических таблиц, или индуктивных методов построения деревьев решений, или нейронных сетей. Формулирование запроса осуществляется в результате применения интеллектуального интерфейса, позволяющего в диалоге гибко определять значимые признаки анализа.

            Применение информационных хранилищ на практике все в большей степени  демонстрирует необходимость интеграции интеллектуальных и традиционных информационных технологий, комбинированное использование различных методов  представления  и вывода знаний,  усложнение  архитектуры информационных систем.

            Разработкой  и распространением информационных хранилищ в настоящее время занимаются такие компьютерные фирмы, как IBM (Intelligent Miner), Silicon Graphics  (MineSet), Intersolv (DataDirect, SmartData), Oracle (Express), SAS Institute (SAS/Assist) и др.

Адаптивные информационные системы

            В условиях динамического развития экономических объектов возрастают требования к адаптивности  информационных систем к изменениям. Эти требования сводятся к следующему:

· ИС в каждый момент времени должна адекватно поддерживать организацию  бизнес-процессов.

· Реконструкция ИС должна проводиться всякий раз, как возникает потребность в реорганизации бизнес-процессов.

· Реконструкция ИС должна проводиться быстро и с минимальными затратами.

Учитывая высокую динамичность современных бизнес-процессов, можно сделать вывод о том, что адаптивность ИС немыслима без интеллектуализации ее архитектуры. Ядром адаптивной ИС является постоянно развиваемая модель проблемной области (предприятия), поддерживаемая в специальной базе знаний - репозитории, на основе которого осуществляется генерация или конфигурация программного обеспечения. Таким образом, проектирование и адаптация ИС сводится, прежде всего, к построению модели проблемной области и ее своевременной корректировке. 

            При проектировании информационной системы обычно используются два подхода: оригинальное или типовое проектирование. Первый подход предполагает разработку информационной системы “с чистого листа” в соответствии с требованиями экономического объекта, второй подход - адаптацию типовых разработок к особенностям экономического объекта. Первый подход, как правило, реализуется на основе применения систем автоматизированного проектирования ИС или CASE-технологий, например, таких как, Designer 2000 (Oracle), SilverRun (SilverRun Technology), Natural LightStorm (Software AG) и др., второй подход - на основе применения систем компонентного проектирования ИС, например, таких как R/3 (SAP), BAAN IV (Baan Corp), Prodis (Software AG), Галактика (Новый Атлант) и др.

            С точки зрения адаптивности информационной системы к бизнес-процессам экономического объекта оба подхода ориентируются на предварительное тщательное изучение экономического объекта и его моделирование [ 6 ]. Отличие подходов заключается в следующем: при использовании CASE-технологии на основе репозитория при возникновении изменения выполняется каждый раз генерация (пересоздание) программного обеспечения, а при использовании компонентной технологии - конфигурация программ и только в редких случаях их переработка с помощью CASE - средств, например, использования языков четвертого поколения (4GL).

Для моделирования проблемной области и последующих конфигураций информационной системы из отдельных компонентов (программных модулей) используется специальный программный инструментарий, например, R/3 Business Engineer и BAAN Orgware. Несомненным достоинством применения модельно-ориентированных компонентных систем, таких как R/3 или BAAN IV, перед CASE - технологиями является накапливание опыта проектирования информационных систем  для различных отраслей и типов производства в виде типовых моделей или так называемых референтных/ссылочных (reference) моделей, которые поставляются вместе с программным продуктом в форме наполненного репозитория. Таким образом, вместе с программным продуктом пользователи приобретают базу знаний «know-how» об эффективных методах организации и управления бизнес-процессами, которые можно адаптировать в соответствии со спецификой конкретного экономического объекта.

В обобщенном виде конфигурация адаптивных информационных систем на основе компонентной технологии  [ 18 ] представлена на рис. 1.15.

Лекция "Вопрос 12" также может быть Вам полезна.

Рис. 1.15. Конфигурация адаптивной информационной системы на основе компонентной технологии

Базовая модель репозитория содержит описание  объектов, функций (операций), процессов (совокупности операций), которые реализуются в программных модулях компонентной системы. При этом большое значение в базовой модели имеет задание правил (бизнес-правил) поддержания целостности информационной системы, которые устанавливают условия проверки корректности совместного применения операций бизнес-процессов и поддерживающих их программных модулей. Таким образом, многообразие и гибкость определения бизнес-процессов и соответствующих конфигураций информационной системы задается с помощью набора бизнес-правил.

Типовые модели соответствуют типовым конфигурациям информационной системы, выполненным для определенных отраслей (автомобильная, электронная, нефтегазовая и т.д.) или типов производства (индивидуальное, серийное, массовое, непрерывное  и т.д.).

Модель предприятия (проблемной области) строится либо путем привязки или копирования фрагментов основной или типовой моделей в соответствии со специфическим особенностями предприятия, например, как в инструментальном средстве BAAN Orgware, либо в результате просмотра этих моделей и экспертного опроса, как в инструментальном средстве R/3 Business Engineer. Причем в последнем случае пользователю предлагается определить  значения не всех параметров, а только тех, которые связаны между собой в контексте диалога и описаны бизнес-правилами.

            Сформированная модель предприятия в виде метаописания хранится в репозитории и при необходимости может быть откорректирована. Далее по сформированной модели предприятия автоматически осуществляется конфигурация информационной системы, в ходе которой выполняется. семантический контроль  по соответствующим бизнес-правилам.

            Недостатками описанной схемы конфигурации информационной системы является отсутствие средств оценки модели предприятия. Для того, чтобы можно было  выбирать оптимальные варианты конфигурации информационной системы, как правило, используются средства экспорта модели во внешние системы моделирования. Так, для системы R/3 предусмотрен экспорт(импорт) моделей в(из) среду(ы) инструментального средства ARIS Toolset, который позволяет осуществлять функционально-стоимостной анализ эффективности  моделируемых бизнес-процессов и их динамическое имитационное моделирование.