Ekspertni sustav (ES) je informacijski informacijski sustav dizajniran za rješavanje slabo formaliziranih problema na temelju radnog iskustva stručnjaka u problemskom području akumuliranog u bazi znanja. Uključuje bazu znanja sa skupom pravila i mehanizmom zaključivanja te omogućuje, na temelju činjenica koje je naveo korisnik, prepoznavanje situacije, postavljanje dijagnoze, formuliranje rješenja ili davanje preporuke za odabir akcije.
Ekspertni sustavi dizajnirani su za ponovno stvaranje iskustva i znanja stručnjaka na visokoj razini i korištenje tog znanja u procesu upravljanja. Razvijeni su pomoću matematičkog aparata neizrazite logike za korištenje u uskim područjima primjene, budući da njihova uporaba zahtijeva velike računalne resurse za obradu i pohranu znanja. Izgradnja ekspertnih sustava temelji se na bazi znanja koja se temelji na modelima reprezentacije znanja. Zbog velikih financijskih i vremenskih troškova u ruskim ekonomskim informacijskim sustavima, ekspertni sustavi nisu široko korišteni.
Smatra se da je svaki ekspertni sustav sustav temeljen na znanju, ali potonji nije uvijek ekspertni. U sustavima temeljenim na znanju, pravila(ili heuristike) pomoću kojih se donose odluke problema u određenom predmetnom području, pohranjuju se u baza znanja. Problemi se postavljaju sustavu u cjelini činjenice, opisujući određenu situaciju, a sustav pomoću baze znanja pokušava izvesti zaključak iz tih činjenica.
Sustav radi na sljedeći način ciklički način rada: odabir (zahtjev) podataka ili rezultata analize, promatranje, interpretacija rezultata, asimilacija novih informacija, postavljanje privremenih hipoteza korištenjem pravila i zatim odabir sljedećeg dijela podataka ili rezultata analize. Ovaj proces se nastavlja sve dok se ne dobije dovoljno informacija za donošenje konačnog zaključka.
Jednostavniji sustavi temeljeni na znanju rade u dijaloškom načinu rada, odn način konzultacija. Nakon pokretanja, sustav postavlja korisniku niz pitanja o problemu koji se rješava, zahtijevajući odgovor "da" ili "ne". Odgovori služe za utvrđivanje činjenica na temelju kojih se može donijeti konačan zaključak.
U bilo kojem trenutku sustav sadrži tri vrsta znanja:
· strukturirano statično znanje o predmetnom području, nakon što se to znanje identificira, više se ne mijenja;
· strukturirano dinamičko znanje – promjenjivo znanje o predmetnom području; ažuriraju se kako se otkrivaju nove informacije;
· radno znanje primijenjeno na određeni problem ili konzultacije.
Sva gore navedena znanja pohranjena su u baza znanja. Za njegovu izgradnju potrebno je provesti anketu stručnjaka koji su eksperti za određeno područje, a zatim to znanje sistematizirati, organizirati i indeksirati kako bi se kasnije lako moglo dohvatiti iz baze znanja.
Arhitektura ekspertnog sustava. Arhitektura ES-a prikazana je na sl. 7.2. Baza znanja (KB) odražava znanje stručnjaka. Međutim, nije svaki stručnjak u stanju kompetentno prikazati cjelokupnu strukturu svog znanja.
Identificiranje stručnog znanja i njegovo predstavljanje u bazi znanja provode stručnjaci - inženjeri znanja.
ES mora imati mehanizam za stjecanje znanja za unos znanja u bazu podataka i njegovo naknadno ažuriranje.
U najjednostavnijem slučaju, to je inteligentni uređivač koji vam omogućuje unos jedinica znanja u bazu podataka, kao i njihovu analizu radi dosljednosti.
Područja primjene sustava temeljenih na znanju mogu se grupirati u nekoliko glavnih klasa: predviđanje, planiranje, kontrola i upravljanje, obuka.
Tehnologija izgradnje ekspertnih sustava naziva se inženjerstvo znanja. Ovaj proces zahtijeva specifičan oblik interakcije između kreatora ekspertnog sustava, koji se naziva inženjer znanja, i jednog ili više stručnjaka u određenom predmetnom području. Inženjer znanja iz stručnjaka "izvlači" postupke, strategije i pravila koja koriste za rješavanje problema i ugrađuje to znanje u ekspertni sustav.
Riža. 7.2. ES arhitektura
Rezultat je sustav koji rješava probleme na gotovo isti način kao i ljudski stručnjak.
Srž ekspertnog sustava je baza znanja, koji se stvara i akumulira u procesu njegove izgradnje. Znanje je eksplicitno izraženo i organizirano kako bi se olakšalo donošenje odluka. Akumulacija i organizacija znanja jedna je od najvažnijih karakteristika ekspertnog sustava.
Najkorisnija karakteristika ekspertnog sustava je da se primjenjuje na rješavanje problema iskustvo visoke kvalitete. Ovo iskustvo može predstavljati razinu razmišljanja najkvalificiranijih stručnjaka u tom području, što dovodi do rješenja koja su kreativna, točna i učinkovita. Iskustvo visoke kvalitete, u kombinaciji sa sposobnošću njegove primjene, čini sustav isplativim i sposobnim za zaslužiti priznanje na tržištu. Ovo je također olakšano fleksibilnost sustava. Sustav se može postupno proširivati u skladu s potrebama poslovanja ili korisnika. To znači da u početku možete relativno skromno uložiti, a zatim prema potrebi proširivati mogućnosti sustava.
Još jedna korisna značajka ekspertnih sustava jesu njihove mogućnosti predviđanja. Ekspertni sustav može funkcionirati kao model za rješavanje problema u određenoj domeni, dajući očekivane odgovore u određenoj situaciji i pokazujući kako će se ti odgovori promijeniti u novim situacijama. Ekspertni sustav može detaljno objasniti kako je nova situacija dovela do promjene. To korisniku omogućuje procjenu mogućeg utjecaja novih činjenica ili informacija i razumijevanje u kakvoj su vezi s odlukom. Slično tome, korisnik može procijeniti utjecaj novih strategija ili postupaka na odluku dodavanjem novih pravila ili promjenom postojećih.
Važno svojstvo ekspertnih sustava je mogućnost njihove upotrebe za obrazovanje i osposobljavanje kadrova. Ekspertni sustavi mogu se dizajnirati imajući na umu ovaj proces učenja, budući da već sadrže potrebno znanje i mogu objasniti svoj proces zaključivanja. Sve što preostaje je dodati softver koji podržava ergonomske zahtjeve sučelje između učenika i ekspertnog sustava. Osim toga, potrebno je uključiti znanje o metodama obuke i mogućem ponašanju korisnika.
Dakle, trenutno je ES alat koji poboljšava intelektualne sposobnosti cijelog sustava u cjelini i obavlja sljedeće zadatke:
1) savjetovanje za neiskusne (neprofesionalne) korisnike,
2) pomoć u analizi različitih opcija donošenja odluka,
3) pomoć u pitanjima koja se odnose na srodna područja djelovanja.
ES se najviše i najproduktivnije koriste u poslovanju, proizvodnji, medicini, a manje u znanosti.
Predavanje
Tema: “Inteligentne tehnologije i sustavi”
Plan:
1. Pojam umjetne inteligencije. Inteligentne informacije
tehnologije.
2. Klasifikacija inteligentnih informacijskih sustava.
3. Ekspertni sustavi kao glavna vrsta inteligentnih sustava.
4. Umjetne neuronske mreže.
Korištenje informacijskih tehnologija (IT) u različitim sferama ljudskog djelovanja, porast količine informacija i potreba za brzim reagiranjem u svakoj situaciji zahtijevali su traženje adekvatnih načina za rješavanje novonastalih problema. Najučinkovitiji od njih je put intelektualizacije informacijske tehnologije.
Pitanje broj 1. Pojam umjetne inteligencije.
Inteligentne informacijske tehnologije
Nova informacijska tehnologija temelji se prvenstveno na inteligentnim tehnologijama i teoriji umjetne inteligencije.
Pojam intelekt dolazi od latinskog intellectus – što znači um, razum, um; ljudske misaone sposobnosti.
Pod umjetna inteligencija razumjeti sposobnost računalnih sustava da izvode inteligentne akcije. Najčešće se to odnosi na sposobnosti povezane s ljudskim mišljenjem.
Umjetna inteligencija- grana računalne znanosti vezana za razvoj inteligentnih programa za računala.
Umjetna inteligencija (AI) je znanstveno područje koje je nastalo na sjecištu kibernetike, lingvistike, psihologije i programiranja.
Pod inteligentnom informacijskom tehnologijom razumjeti informacijske tehnologije koje pružaju sljedeće mogućnosti:
- prisutnost baza znanja koje odražavaju iskustvo određenih ljudi, grupa, društava, čovječanstva u cjelini, pri rješavanju problema kao što su: donošenje odluka, dizajn, izdvajanje značenja, objašnjenje, učenje;
- prisutnost modela razmišljanja temeljenih na bazama znanja: pravila i logični zaključci; argumentacija i obrazloženje; prepoznavanje i klasifikacija situacija; generalizacije i razumijevanje itd.;
- sposobnost donošenja vrlo jasnih odluka na temelju nejasnih, nepotpunih, nedovoljno određenih podataka;
- sposobnost obrazlaganja zaključaka i odluka, odnosno prisutnost mehanizma objašnjenja;
- sposobnost učenja, prekvalifikacije i, stoga, razvoja.
Povijest inteligentnih informacijskih tehnologija
Osvrnimo se na povijest razvoja IIT-a, koja datira iz 60-ih godina prošlog stoljeća i uključuje nekoliko glavnih razdoblja.
- 60-70-ih godina. Ovo su godine osvještavanja mogućnosti umjetne inteligencije i formiranja reda za podršku procesima odlučivanja i upravljanja.
- 70-80-ih godina. U ovoj fazi postoji svijest o važnosti znanja za formiranje adekvatnih odluka; Pojavljuju se EKSPERTNI SUSTAVI.
- od 80-ih godina do današnjeg vremena. Pojavljuju se integrirani (hibridni) modeli reprezentacije znanja koji kombiniraju sljedeće vrste inteligencije: pretraživačku, računsku, logičku i imaginativnu. Stvaranje neuronskih mreža
Osobitost inteligentnih informacijskih tehnologija (IIT) je njihova “svestranost”. Nemaju praktički nikakvih ograničenja za njihovu upotrebu u područjima kao što su kontrola, dizajn, strojno prevođenje, dijagnostika, prepoznavanje uzoraka, sinteza govora itd.
IIT-ovi se također naširoko koriste za distribuirano rješavanje složenih problema, kolaborativni dizajn proizvoda, izgradnju virtualnih poduzeća, modeliranje velikih proizvodnih sustava i elektroničke trgovine, elektronički razvoj složenih računalnih sustava, upravljanje znanjem i informacijskim sustavima, itd. Još jedna učinkovita primjena je pronalaženje informacija na interneta i drugih globalnih mreža, njegovo strukturiranje i isporuka korisniku.
Pitanje broj 2 Klasifikacija inteligentnih informacijskih sustava
IIS karakteriziraju sljedeće značajke:
Razvijene komunikacijske vještine (način na koji krajnji korisnik komunicira sa sustavom);
Sposobnost rješavanja složenih, slabo formaliziranih problema koji zahtijevaju konstrukciju originalnog algoritma rješenja ovisno o specifičnoj situaciji koju karakterizira nesigurnost i dinamičnost početnih podataka i znanja;
Sposobnost samoučenja, tj. sposobnost sustava da automatski izvuče znanje iz akumuliranog iskustva i primijeni ga za rješavanje problema;
Prilagodljivost je sposobnost sustava da se razvija u skladu s objektivnim promjenama u području znanja.
Svaka od navedenih karakteristika konvencionalno odgovara vlastitoj IIS klasi.
1. Sustavi s inteligentnim sučeljem (komunikacijske sposobnosti):
- Inteligentne baze podataka. Za razliku od tradicionalnih baza podataka, one omogućuju izbor potrebnih informacija koje nisu prisutne u eksplicitnom obliku, već su izvedene iz ukupnosti pohranjenih podataka.
- Sučelje prirodnog jezika . Koristi se za pristup inteligentnim bazama podataka, kontekstualno pretraživanje dokumentarnih tekstualnih informacija, glasovni unos naredbi u sustavima upravljanja, strojno prevođenje sa stranih jezika.
- Hipertekstualni sustavi. Koristi se za implementaciju pretraživanja ključnih riječi u bazama podataka s tekstualnim informacijama.
- Sustavi kontekstualne pomoći . Oni pripadaju klasi sustava za širenje znanja. Takvi sustavi u pravilu su dodaci dokumentaciji. U ovim sustavima korisnik opisuje problem, a sustav ga na temelju dodatnog dijaloga specificira i traži preporuke o tom problemu.
- Sustavi kognitivne grafike . Usmjereni su na komunikaciju s korisnikom informacijskog informacijskog sustava putem grafičkih slika koje se generiraju sukladno promjenama parametara simuliranih ili promatranih procesa. Korištenje kognitivne grafike posebno je relevantno u sustavima praćenja i operativnog upravljanja, u sustavima nastave i obuke, u operativnim sustavima odlučivanja koji rade u stvarnom vremenu.
2. Ekspertni sustavi(rješavanje složenih slabo formaliziranih problema). Koriste se za rješavanje neformalnih problema, koji uključuju zadatke koji imaju jednu od sljedećih karakteristika:
Ciljevi se ne mogu prikazati u numeričkom obliku;
Početni podaci i znanja o predmetnom području su dvosmisleni, netočni i nedosljedni;
Ciljevi se ne mogu izraziti korištenjem dobro definirane funkcije cilja;
Ne postoji jedinstveno algoritamsko rješenje problema;
Glavna razlika između ES i AI od sustava za obradu podataka je u tome što koriste simboličku, a ne numeričku metodu predstavljanja podataka, a kao metode obrade informacija koriste se procedure logičkog zaključivanja i heuristička potraga za rješenjima.
Sukladno gore navedenim karakteristikama, IIS se dijele na (ova je klasifikacija jedna od mogućih) (slika 1):
sustavi s komutativnim mogućnostima (s inteligentnim sučeljem);
ekspertni sustavi (sustavi za rješavanje složenih problema);
samoučeći sustavi (sustavi sposobni za samoučenje);
adaptivni sustavi (adaptivni informacijski sustavi).
Riža. 1. Klasifikacija inteligentnih informacijskih sustava prema vrsti sustava
Inteligentne baze podataka razlikuju se od konvencionalnih baza podataka po mogućnosti odabira potrebnih informacija na zahtjev, koje možda neće biti eksplicitno pohranjene, već izvedene iz onoga što je dostupno u bazi podataka.
Sučelje prirodnog jezika uključuje prevođenje konstrukata prirodnog jezika na intrastrojnu razinu reprezentacije znanja. Za to je potrebno riješiti probleme morfološke, sintaktičke i semantičke analize i sinteze iskaza u prirodnom jeziku. Dakle, morfološka analiza uključuje prepoznavanje i provjeru pravopisne ispravnosti riječi pomoću rječnika, sintaktičku kontrolu – raščlanjivanje ulaznih poruka na pojedine komponente (utvrđivanje strukture) uz provjeru usklađenosti s gramatičkim pravilima internog prikaza znanja i prepoznavanje dijelova koji nedostaju, te konačno, semantička analiza - utvrđivanje semantičke ispravnosti sintaktičkih oblika. Sinteza iskaza rješava obrnuti problem pretvaranja interne reprezentacije informacija u prirodni jezik.
Sučelje prirodnog jezika koristi se za:
pristup inteligentnim bazama podataka;
kontekstualno pretraživanje dokumentarnih tekstualnih informacija;
strojno prevođenje sa stranih jezika.
Hipertekstualni sustavi dizajnirani su za provedbu pretraživanja ključnih riječi u bazama podataka tekstualnih informacija. Inteligentni hipertekstualni sustavi odlikuju se mogućnošću složenije semantičke organizacije ključnih riječi, koja odražava različite semantičke odnose pojmova. Dakle, tražilica prije svega radi s bazom znanja o ključnim riječima, a tek onda izravno s tekstom. U širem smislu navedeno se odnosi i na traženje multimedijskih informacija, uključujući, osim tekstualnih, i digitalne informacije.
Kontekstualni sustavi Pomoć se može smatrati posebnim slučajem inteligentnog hiperteksta i sustava prirodnog jezika. Za razliku od konvencionalnih sustava pomoći koji korisniku nameću obrazac traženja tražene informacije, u kontekstualnim sustavima pomoći korisnik opisuje problem (situaciju), a sustav ga dodatnim dijalogom specificira i sam traži preporuke vezane uz situacija. Takvi sustavi pripadaju klasi sustava za širenje znanja (Knowledge Publishing) i nastaju kao aplikacija dokumentacijskim sustavima (primjerice tehnička dokumentacija o prometu robe).
Sustavi kognitivne grafike dopustiti korisniku sučelje s IIS-om koristeći grafičke slike koje se generiraju u skladu s tekućim događajima. Takvi sustavi koriste se za praćenje i upravljanje operativnim procesima. Grafičke slike u vizualnom i integriranom obliku opisuju mnoge parametre situacije koja se proučava. Na primjer, stanje složenog kontroliranog objekta prikazuje se u obliku ljudskog lica, na kojem je svaka značajka odgovorna za neki parametar, a opći izraz lica daje integriranu karakteristiku situacije. Sustavi kognitivne grafike također se naširoko koriste u obrazovnim sustavima i sustavima obuke koji se temelje na principima virtualne stvarnosti, kada grafičke slike simuliraju situacije u kojima učenik treba donositi odluke i izvoditi određene radnje.
Ekspertni sustavi dizajnirani su za rješavanje problema na temelju prikupljene baze znanja, odražavajući iskustvo stručnjaka u problematičnom području koje se razmatra.
Višeagentski sustavi. Takve dinamičke sustave karakterizira integracija u bazu znanja nekoliko heterogenih izvora znanja koji međusobno razmjenjuju dobivene rezultate na dinamičkoj osnovi.
Za višeagentni sustavi Karakteristične su sljedeće značajke:
provođenje alternativnog zaključivanja na temelju korištenja različitih izvora znanja s mehanizmom za rješavanje proturječnosti;
raspodijeljeno rješavanje problema koji su podijeljeni na paralelno rješavane podprobleme koji odgovaraju neovisnim izvorima znanja;
korištenje višestrukih strategija za rad mehanizma zaključivanja, ovisno o vrsti problema koji se rješava;
obrada velike količine podataka sadržanih u bazi podataka;
korištenje različitih matematičkih modela i vanjskih postupaka pohranjenih u bazi podataka modela;
mogućnost prekida rješavanja problema zbog potrebe dobivanja dodatnih podataka i znanja od korisnika, modela i podproblema koji se paralelno rješavaju.
U srži samoučeći sustavi su metode za automatsku klasifikaciju primjera situacija iz stvarnog života.
Karakteristične karakteristike samoučećih sustava su:
sustavi samoučenja “s učiteljem”, kada se za svaki primjer eksplicitno specificira vrijednost atributa njegove pripadnosti određenoj klasi situacija (atribut koji oblikuje razred);
samoučeći sustavi "bez učitelja", kada sam sustav identificira klase situacija na temelju stupnja blizine vrijednosti klasifikacijskih značajki.
Induktivni sustavi koristiti se generalizacijom primjera po principu od posebnog prema općem. Postupak klasifikacije primjera je sljedeći:
Klasifikacijsko obilježje odabire se iz skupa zadanih (sekvencijalno ili prema nekom pravilu, npr. u skladu s maksimalnim brojem dobivenih podskupova primjera).
Na temelju vrijednosti odabranog atributa skup primjera je podijeljen u podskupove.
Provjerava se da li svaki rezultirajući podskup primjera pripada istoj podklasi.
Ako neki podskup primjera pripada istoj podrazredi, odnosno svi primjeri podskupa imaju istu vrijednost klasnotvornog obilježja, tada završava klasifikacijski proces (preostala klasifikacijska obilježja se ne razmatraju).
Za podskupove primjera s nepodudarnom vrijednošću atributa koji stvara klasu, postupak klasifikacije se nastavlja, počevši od točke 1 (svaki podskup primjera postaje klasificirani skup).
Neuronske mreže su paralelni računalni uređaji koji se sastoje od mnogo međusobno povezanih jednostavnih procesora. Svaki procesor u takvoj mreži barata samo signalima koje periodički prima i signalima koje periodički šalje drugim procesorima.
U ekspertnim sustavima, utemeljen na presedanu(analogije), baza znanja ne sadrži opise generaliziranih situacija, već same stvarne situacije ili presedane.
Potraga za rješenjem problema u ekspertnim sustavima temeljenim na presedanima svodi se na potragu po analogiji (odnosno, abduktivno zaključivanje od posebnog do posebnog).
Za razliku od inteligentne baze podataka, spremište informacija je repozitorij ekstrahiranih značajnih informacija iz operativne baze podataka, koji je namijenjen operativnoj analizi situacijskih podataka (implementacija OLAP tehnologije).
Tipični zadaci operativne situacijske analize su:
određivanje profila potrošača pojedinih skladišnih objekata;
predviđanje promjena u skladišnim objektima tijekom vremena;
analiza ovisnosti karakteristika situacija (korelacijska analiza).
Adaptivni informacijski sustav je informacijski sustav koji mijenja svoju strukturu u skladu s promjenama u modelu problemskog područja.
U ovom slučaju:
prilagodljiv informacijski sustav mora adekvatno podržavati organizaciju poslovnih procesa u svakom trenutku;
adaptivni informacijski sustav mora se prilagoditi kad god postoji potreba za reorganizacijom poslovnih procesa;
Rekonstrukciju informacijskog sustava treba provesti brzo i uz minimalne troškove.
Srž adaptivnog informacijskog sustava je stalno razvijajući model problemskog područja (poduzeća), podržan u posebnoj bazi znanja - repozitoriju. Na temelju kernela provodi se generiranje ili konfiguracija softvera. Dakle, projektiranje i prilagodba IS-a svodi se prije svega na izgradnju modela problematičnog područja i njegovu pravovremenu prilagodbu.
Budući da ne postoji općeprihvaćena definicija, teško je dati jasnu jedinstvenu klasifikaciju inteligentnih informacijskih sustava. Na primjer, ako uzmemo u obzir inteligentne informacijske sustave sa stajališta problema koji se rješava, zatim razlikujemo sustave upravljanja i referentne sustave, sustave računalne lingvistike, sustave za prepoznavanje, sustave za igre i sustave za izradu inteligentnih informacijskih sustava (slika 2).
Istodobno, sustavi mogu riješiti ne jedan, već nekoliko problema, ili u procesu rješavanja jednog problema riješiti niz drugih. Na primjer, kada podučavate strani jezik, sustav može riješiti probleme prepoznavanja govora učenika, testiranja, odgovaranja na pitanja, prevođenja tekstova s jednog jezika na drugi i podržavanja sučelja na prirodnom jeziku.
Slika 2 – Podjela inteligentnih informacijskih sustava prema zadacima koje rješavaju
Ako klasificiramo inteligentne informacijske sustave prema kriteriju “korištene metode”, zatim se dijele na tvrde, meke i hibridne (sl. 3).
Soft Computing je složena računalna metodologija koja se temelji na neizrazitoj logici, genetskom računalstvu, neuroračunalstvu i probabilističkom računalstvu. teško računalstvo – tradicionalno računalstvo (ne meko). Hibridni sustavi– sustavi koji koriste više od jedne računalne tehnologije (u slučaju inteligentnih sustava, tehnologije umjetne inteligencije).
Riža. 3. Klasifikacija inteligentnih informacijskih sustava prema metodama
Moguće su i druge klasifikacije, na primjer, sustavi opće namjene i specijalizirani sustavi (slika 4).
Riža. 4. Klasifikacija inteligentnih sustava prema namjeni
Štoviše, ovaj dijagram odražava Druga mogućnost klasifikacije prema metodi: sustavi koji koriste metode predstavljanja znanja, samoorganizirajući sustavi i sustavi stvoreni korištenjem heurističkog programiranja. Također u ovoj klasifikaciji sustavi za generiranje glazbe klasificirani su kao komunikacijski sustavi.
Prema inteligentnim sustavima opće namjene To uključuje sustave koji ne samo da izvršavaju zadane procedure, već na temelju metaprocedura pretraživanja generiraju i izvršavaju procedure za rješavanje novih specifičnih problema.
Specijalizirani Inteligentni sustavi izvode rješenje fiksnog skupa problema unaprijed određenih tijekom dizajna sustava.
Nedostatak jasne klasifikacije također se objašnjava raznolikošću intelektualnih zadataka i intelektualnih metoda; osim toga, umjetna inteligencija je znanost u aktivnom razvoju u kojoj se svakim danom savladavaju nova primijenjena područja.
Uvod…………………………………………………………………………………...2
Pravci razvoja informacijskih sustava i načini njihove implementacije…………..5
Svojstva i mogućnosti IIS-a…………………………9
Opće odredbe IIS-a .................................................. .........................................5
Značajke i znakovi inteligencije informacijskih sustava………………………………………………………………………...13
Modeli reprezentacije znanja u informacijskim informacijskim sustavima temeljeni na pravilima…..…14
Zaključak………………………………………………………………………………….....16
Popis korištene literature………………………………………………………...17
Uvod.
U suvremenoj znanosti istraživanja vezana uz modeliranje ljudskih intelektualnih sposobnosti shvaćaju se kao znanstveni smjer koji se bavi problemima sinteze automatskih struktura sposobnih za rješavanje složenih problema informacijske potpore različitim vrstama ljudske aktivnosti. Obično su to problemi za koje iz ovog ili onog razloga ne postoje gotova pravila ili primjeri rješenja. Osoba s potrebnim znanjem, iskustvom i inteligencijom može razviti pravila za rješavanje takvog problema. Ali ako stvorite računalni model čija će memorija sadržavati znanje takve osobe, programirano njegovim iskustvom i intelektualnim sposobnostima potrebnim za rješavanje određenog problema, tada se ovaj model može koristiti za rješavanje mnogih problema sličnih onom koji već postoji. riješena. Štoviše, ovaj se model može prilagoditi za korištenje u drugim problematičnim situacijama.
Među tim zadacima najteži i najrelevantniji su zadatak razvijanja sredstava komunikacije između osobe i računalnog sustava koji modelira ljudsku inteligenciju na prirodnom jeziku i zadatak automatskog strojnog prevođenja s jednog jezika na drugi, pod uvjetom da semantička i emocionalna sposobnost aspekti su točno preneseni. Stvar je u tome da, prema
Prema mnogim istaknutim lingvistima, ljudska intelektualna aktivnost (u gotovo svim svojim aspektima) najizravnije je povezana s funkcioniranjem jezika i mišljenja. Samo uz pomoć potpuno prirodnih načina komunikacije između čovjeka i automata koji izvršava računalni program bit će moguće stvoriti sustave koji adekvatno modeliraju ljudsku inteligenciju i njezina svojstva kao što su mišljenje, intuicija, svijest i podsvijest... Takvi sustavi u moderne informatike nazivamo inteligentnim informacijskim sustavima (IIS).
Trenutno stanje fundamentalnih i primijenjenih istraživanja u području inteligentnih informacijskih sustava govori da su njihovi rezultati postali sasvim jasni. To znači da je nastao relativno stabilan sustav koncepata, nastala je metodologija projektiranja, izgradnje i implementacije te su određene standardne strukture takvih sustava i njihovih komponenti.
Opće je prihvaćeno da je intelektualni zadatak pronaći nepoznati algoritam za rješavanje određenog praktičnog ili teorijskog problema, univerzalnog na skupu početnih podataka karakterističnih za taj problem. Traži se samo da izvođač
osoba koja je rješavala problem bila je u stanju izvesti te elementarne operacije koje čine proces, a osim toga, bio je pedantno i točno vođen predloženim algoritmom. Takav izvođač (čovjek ili automat), djelujući čisto mehanički, može uspješno riješiti bilo koji problem ove vrste. Stoga se čini potpuno prirodnim isključiti iz klase intelektualnih problema za koje postoje standardne metode rješavanja. Primjeri takvih zadataka
Čisto računalni zadaci mogu poslužiti:
Rješavanje sustava linearnih algebarskih jednadžbi;
Numerička integracija diferencijalnih jednadžbi;
Problemi aproksimacije empirijskih podataka itd.
Za rješavanje problema ove vrste postoje standardni algoritmi, koji su određeni niz elementarnih operacija koje se lako mogu implementirati u obliku računalnog programa. Nasuprot tome, za široku klasu intelektualnih zadataka, kao što su prepoznavanje uzoraka, logičke dedukcije i logički složene igre (na primjer, igranje šaha), dokazivanje teorema itd., takva formalna podjela procesa pronalaženja rješenja u zasebne elementarne koraci su suprotni često se pokažu vrlo teškima, čak i ako samo njihovo rješenje nije teško.
Stoga postoji razlog da se koncept inteligencije smatra ekvivalentnim konceptu univerzalnog superalgoritma koji je sposoban stvoriti algoritme za rješavanje specifičnih problema.
Opće odredbe IIS-a.
Razvoj sustava informacijske potpore za različite vrste ljudskih aktivnosti povijesno se može predstaviti u fazama:
“informacijski sustavi” (IS), “automatizirani informacijski sustavi” (AIS), “inteligentni informacijski sustavi” (IIS).
Inteligentni informacijski sustav - ovo je računalni model
ljudske intelektualne sposobnosti u ciljanom traženju, analiza i sinteza aktualnih informacija o okolnoj stvarnosti radi dobivanja novih spoznaja o njoj i na temelju toga rješavanja raznih vitalnih problema .
Svaka od ovih etapa ima svoj informacijski model predmetnog područja. Za prve informacijske sustave takav su model bili katalozi ili klasifikatori, za AIS su to bili nizovi informacija organizirani u obliku baza podataka i banaka podataka, a za IIS je model predmetnog područja predstavljao strukturirani sustav podataka nazvan baza znanja. . Informacijski sustavi koji se temelje na katalozima stvoreni su uglavnom za provedbu, u jednom ili drugom stupnju, mehaniziranog traženja potrebnih informacija. AIS temeljen na
Visoko organizirane baze podataka omogućile su ne samo automatizirano i višedimenzionalno pretraživanje informacija, već i prilično složenu obradu pronađenih informacija, njihovo organizirano pohranjivanje i prijenos. IIS temeljen na bazama znanja mora (pored mogućnosti AIS-a) rješavati probleme koji se nazivaju “inteligentnim”.
Razvoj informacijskih sustava u sadašnjoj fazi je u skladu s tri područja istraživanja, čija je svrha modeliranje ljudskih sposobnosti u rješavanju intelektualnih problema.
Prvi smjer istraživanja ispituje strukturu i mehanizme ljudskog mozga, a krajnji cilj je otkriti tajne mišljenja. Nužne faze istraživanja u ovom smjeru su izgradnja modela na temelju psihofizioloških podataka, provođenje eksperimenata s njima, iznošenje novih hipoteza o mehanizmima intelektualne aktivnosti, poboljšanje prethodno stvorenih modela itd.
Drugi smjer smatra se predmetom istraživanja
umjetni inteligentni sustav. Ovdje govorimo o modelingu.
intelektualna aktivnost uz pomoć računala ili strojeva drugačijeg principa rada. Cilj rada u ovom smjeru je stvaranje algoritama i softvera za takve računalne strojeve koji omogućuju rješavanje određenih vrsta intelektualnih problema na isti način na koji bi ih rješavao čovjek.
Treći smjer je usmjeren na stvaranje čovjek-stroj ili, kako se još kaže, interaktivnih, inteligentnih sustava, koji su simbioza mogućnosti prirodne i umjetne inteligencije. Najvažniji problemi u ovim istraživanjima su optimalna kombinacija ljudskih sposobnosti i umjetnog sustava koji modelira ljudske intelektualne sposobnosti, te organizacija semantički besprijekornog dijaloga između osobe i takvog sustava.
Unutar svakog smjera postoje različiti pristupi izgradnji informacijskog sustava. Ovi pristupi nisu evolucijski stupnjevi; pojavili su se gotovo istodobno (u povijesnom smislu) i neovisno postoje i razvijaju se u današnje vrijeme. Štoviše, nikad nije bilo dovoljno razloga da se bezuvjetno preferira jedan pristup u odnosu na druge.
Gotovo svako računalo koje se temelji na logičkom pristupu je stroj za rješavanje problema logičkog zaključivanja i dokazivanja teorema. U ovom slučaju, izvorni podaci pohranjuju se u bazu znanja u obliku aksioma i pravila za konstruiranje logičkih zaključaka kao odnosa između tih podataka. Osim toga, svaki takav stroj ima jedinicu za generiranje cilja (formulacija problema ili teorema) i izlazni sustav (univerzalni
solver) mora riješiti zadani problem ili dokazati teorem. Ako je formulirani cilj postignut (teorem je dokazan), tada niz primijenjenih pravila tvori lanac radnji koji omogućuje rješavanje bilo kojeg problema ove vrste. Moć je ovakva
Sustav je određen mogućnostima generatora ciljeva i mogućnostima stroja za dokazivanje teorema (univerzalni rješavač). Dokaz može zahtijevati potpunu pretragu svih mogućih rješenja.
Stoga ovaj pristup zahtijeva učinkovitu implementaciju računalnog procesa i dobro funkcionira s relativno malom bazom znanja.
Fizički pristup kombinira metode za modeliranje ljudskih intelektualnih sposobnosti pomoću računala i različitih fizičkih uređaja. Jedan od prvih takvih pokušaja bio je perceptron Franka Rosenblatta. Strukturna jedinica perceptrona (kao i većine drugih varijanti takvog modeliranja) je računalni model neurona - živčane stanice. Kasnije su se pojavili modeli
koja je postala poznata pod pojmom “umjetne neuronske mreže” (ANN). Ovi modeli su strukture temeljene na primjerima. Oni koriste različite fizičke implementacije modela živčanih stanica i različite topologije
veze među njima.
Posljednjih godina evolucijski
modeliranje. Princip na kojem se temelji ova metoda posuđen je iz prirode - iz živih organizama i sustava. U mnogim izvorima definira se kao reprodukcija procesa prirodne evolucije pomoću posebnih algoritama i programa.
Druga široko korištena metoda ovog pristupa izgradnji informacijskog sustava je simulacijsko modeliranje. Povezan je s jednim od klasičnih pojmova kibernetike, jednim od njezinih temeljnih pojmova – “crnom kutijom” (BB). Ovo je naziv za uređaj čija unutarnja struktura i sadržaj potpuno nedostaju, ali je poznata matrica obvezne korespondencije između signala na njegovom ulazu i signala na njegovom izlazu. Objekt čije ponašanje simulira model je upravo takva “crna kutija”. Nije nam važno što je u njemu i kako funkcionira, glavno je da se naš model ponaša potpuno isto u sličnim situacijama. Na taj način možete modelirati važno ljudsko svojstvo - sposobnost kopiranja onoga što drugi rade bez razmišljanja zašto je to potrebno. Često mu ta sposobnost štedi mnogo vremena, posebno u ranoj fazi života. Glavni nedostatak simulacijskog pristupa je nizak broj informacija o motivacijskim motivima ponašanja modela izgrađenih uz njegovu pomoć.
Inteligentni informacijski sustav (IIS)) je informacijski sustav koji se temelji na konceptu korištenja baze znanja za generiranje algoritama za rješavanje ekonomskih problema različitih klasa, ovisno o specifičnim informacijskim potrebama korisnika.
Umjetna inteligencija je znanost i razvoj inteligentnih strojeva i sustava, posebno inteligentnih.
IIS klasifikacija(Slika 4.10). Ovisno o svojoj prirodi, znanje može biti činjenično ili operativno.
Činjenično znanje– značajni podaci.
Operativno znanje– opće ovisnosti između činjenica koje vam omogućuju tumačenje podataka ili izvlačenje novih informacija iz njih.
Glavni nedostaci tradicionalnog IP-a uključuju:
1. Slaba prilagodljivost informacijskim potrebama korisnika.
2. Nesposobnost rješavanja loše formaliziranih problema.
Navedeni nedostaci otklonjeni su u IIS-u. IIS ima sljedeće karakteristične značajke:
Razvijene komunikacijske vještine;
Sposobnost rješavanja složenih, slabo formaliziranih problema (karakteriziraju ih polovični kvalitativni i kvantitativni opisi, a dobro formalizirane probleme potpuno kvantitativni opisi);
Sposobnost razvoja i samoučenja.
Uobičajeno, svaka od ovih karakteristika odgovara vlastitoj IIS klasi:
I razred: sustavi s inteligentnim sučeljem (komunikacijske sposobnosti):
1.Intelektualne baze podataka;
2. Sučelje prirodnog jezika;
3.Hipertekstualni sustavi;
4. Kontekstualni sustavi;
5.Kognitivna grafika.
II razred: ekspertni sustavi (rješavanje složenih problema):
1. Klasifikacijski sustavi;
2. Sustavi dodatnog određivanja;
3. Transformacijski sustavi;
4. Sustavi s više agenata.
III razred: sustavi samoučenja (sposobnost samoučenja):
1. Induktivni sustavi;
2. Neuronske mreže;
3. Sustavi temeljeni na slučajevima;
4. Skladišta informacija.
Riža. 4.10. IIS klasifikacija
Inteligentne baze podataka – razlikuju se od uobičajenih po mogućnosti dohvaćanja informacija na zahtjev, koje ne moraju biti eksplicitno pohranjene, već izvedene iz postojeće baze podataka (primjerice, prikazati popis robe čija je cijena viša od industrijske cijene).
Sučelje prirodnog jezika uključuje prevođenje konstrukata prirodnog jezika na strojnu razinu reprezentacije znanja. U tom se slučaju napisane riječi prepoznaju i provjeravaju pomoću rječnika i sintaktičkih pravila. Ovo sučelje olakšava pristup inteligentnim bazama podataka, kao i glasovni unos naredbi u sustavima upravljanja.
